机器学习貌似进入了疲惫期，虽然才连看了一周不到，但是发现要学的太多了。介于这样，于是今天学习adaboost的时候就偷了懒，记住和理解了主要的思想，没看公式推导。
adaboost是一种集成学习算法。适用于二分类。是一个多分类器。由于多种分类器集成会比单一算法更有泛化性，并且不容易overfitting，集成算法算是比较有优势的算法，近期也是广受运用。
boosting的想法比较简单，利用多种弱学习分类器（error小于0.5但是不是很低很精确）进行分类，最后得到weighted average。这种算法最后往往得到比较好的结果，比较小的误差。
它是一个循环迭代的过程。假设原始training set为D，一共有T个分类器（即总共循环T次），初始权重值均分（即为1/m），m为training set的大小。 每次在循环中都会先重建一次D为Dt+1，为的是将前一轮训练得到的误差权重乘入training set中，这样在此次训练分类时，就可以迫使分类器将权值高的点进行比较好的分类。然后计算误差，alpha值和权重到下一轮中。当然如果这轮分类器的误差大于0.5，则不使用改分类器（因为这时分类器已经不是弱学习分类器了）。直到循环结束。得到sign函数值。
为什么能保证每次循环以后结果会变好？其实对点的分类误差并不一定减少，但每一次有出错的点都会增加比重，那么就会迫使下一个分类器去重点划分比重较高的点，结果就会一次比一次好，alpha值会一直增加。
boosting比较不容易overfitting的原因在于，每增加一个假设h（x），即一个分类器，计算的到的confidence就会相应增高，confidence增加表明分类更明确，类别之间的margin越来越大，类别之间更清晰。
boosting 在weak learner uses ANN（artificial neural network）with many layers and nodes 下可能会overfitting。boosting在调用神经网络算法的时候，神经网络可能会overfitting，导致boosting overfitting。并且在pink noise（uniform noise）下容易overfitting。
