Boosting中Adaboost的通俗理解

今天知乎上被私信说我对Adaboost的通俗解释很好理解，那我就把当初的答案贴下来，做个记录吧，该理解没有任何数学公式

要看数学公式的推荐每个做统计算法和机器学习的人都会看的： 李航统计学习方法的Adaboost那一章节，完整，易懂！

我对Boosting和Adaboost的理解是：

boosting的原理就是三个臭皮匠，赛过诸葛亮一样。把很多分类准确率很低的分类器通过更新对数据的权重，集成起来形成一个分类效果好的分类器。所以他也叫ensemble，集成方法的一种。

Adaboost就是其中的一种算法，通过更改训练样本对每个分类器的权重，让每个若分类器能互补之间不能很好分类的数据。 好比说一个公司，你只会写代码，但不会运营，管理，算账，招人，但你可以请一些会运营，管理，会计，HR的人，虽然他们不会写代码，但你会啊，各自做好分类的事，形成一个牛逼的公司。

我很讨厌用数学解决这些算法，但还是简单说下，大体就是。若第一个分类器对样本x1,x2 的分类效果好，对x3的分类效果差，那么第二个分类器通过一个神奇的公式，把对x3的权重增加，x1,x2的权重降低。为什么呢？因为我们认为第一分类器已经能很好的分类x1和x2,对x3却不行，所以我们不太需要让第二分类器考虑x1,x2了，因为咱有第一份类器去处理他们了，所以第二个分类器就是要互补第一分类器，让他多多考虑第一分类器无法准确分类的数据。 然后整很多这样的分类器，每个分类器一般来说能分类一些数据不能分类一些数据，但是通过他们的基友来帮他们分类他们所不行的数据，最后大家集成在一起，形成一个超叼的分类器。最后对每个分类器给一个权重，看看他们在大分类器的重要性，大体公式是H(x)=sign(sum（权重*分类器t)),t=1,2...,N 意思就是把所有分类器的输出加起来，取正负号，得到最后的结果