给你这些水果图片，告诉你哪些是苹果。那么现在，让你总结一下哪些是苹果？
1）苹果都是圆的。我们发现，有些苹果不是圆的、有些水果是圆的但不是苹果，
2）其中到这些违反“苹果都是圆的”这一规则的图片，我们得到“苹果都是圆的，可能是红色或者绿色”。。我们发现还是有些图片违反这一规则；
3）其中到违反规则的图片，我们发现“苹果都是圆的，可能是红色或者绿色，而且有梗”。
至此分类完成。
模拟这一过程，就是adaBoost算法。
首先从一个弱分类器开始，然后集中注意力放在发生错误的样本上，get下一次分类器。adaBoost的特点是：
1）不同的分类器是串行训练的，也就是：第二个分类器依赖于第一个分类器；
2）通过集中关注被已有分类器错分的那些数据来获得新的分类器。
如何集中关注错分的数据？通过提高错分数据的权重。这就要求：
为了更具有物理意义，我们把ε给scaling一下：
这样有什么物理意义呢？当数据错分的时候，◇必然大于1.相当于将数据权重放大；而数据分类正确的时候，◇小于1，相当于将数据权重减小。
另一个问题：如何寻找弱分类器？我们知道任何机器学习算法都可以，但是这里一种常用的弱分类器是：单层决策树。
aggregation（2）：adaptive Boosting （AdaBoost）
原文：http://www.cnblogs.com/wangyanphp/p/5520323.html