關于adaboost算法的兩篇論文
the boosting approach to machine learning
a short introduction to boosting
論文内容基本相同，推薦完完整整看完其中一篇之後，在掃一下第二篇。
擔心這兩篇論文原始位址變了，上傳一份csdn的資源，作為備份。
the boosting approach to machine learning an overview
我獲益最大的内容:
1.二分類問題下adaboost的算法步驟：
步驟中各參數及其意義：
zt起到歸一化dt的機率分布的作用，使所有dt(i)的總和為1，是以zt為：
2.為什麼adaboost多個弱分類器可以提高整體分類效果：
2.1.adaboost在訓練樣本上的誤差上界為：
2.2.證明通過添加一個分類誤差大于>0.5的弱分類器，可以減小誤差上界
3.adaboost疊代次數的确定：
機器學習的許多算法中，訓練樣本上的過度學習，會導緻過拟合問題，這篇論文在<4 generalization error>一節中
指出，adaboost在測試集合上的誤差，與疊代次數無關，是以可以放心疊代降低分類器在訓練樣本上的誤差，并且同時指出，
減少訓練樣本誤差，有助于減少測試樣本的誤差。
在這裡辨析兩個概念：
分類(classfication)&回歸(regression)
分類在資料集上學習規則，對輸入的特征，輸出其對應的類别(離散值)，其中類别由先驗知識确定
回歸在資料集上拟合函數，對輸入的特征，輸出其對應的值(實數值)，例如函數曲線拟合
可參考 difference between classification and regression