1. adaboost算法的基本思想
集成学习是将多个弱模型集成在一起 变成一个强模型 提高模型的准确率，一般有如下两种：
bagging: 不同的base model可以并行计算，输出预测结果少数服从多数，回归问题则对多个模型输出的结果求平均。
boosting：后一个模型的训练需要依赖前一个模型，所以模型的训练会特备耗时没法并行，Adaboost、GBDT、Xgboost主要有这三种。
对样本赋予权重，迭代的方式构造弱分类器，后一个分类器依赖前一个分类器 。
多个弱分类器的线性组合得到最终的强分类器。
例如：
对于前一个分类器分错的样本，后一个分类器会格外的注重，训练的时候增加该样本的权重，以便这次训练的时候要分对，训练模型的同时 计算出本次的弱模型输出结果的权重
算法的核心：通过调整输入数据的权重，让本来还不错的分类器的权重正确率达到1/2
什么是权重正确率？
数据预测的错误率 =（错误数据的个数）/(全部数据的个数）
数据预测的权重错误率 =（预测错误数据的权重和）/(全部数据的权重和）
举例：
有一个标签集实际是{+1，+1，+1，+1，-1}
训练出一个g1(x)的分类结果{+1，+1，+1，+1，+1}
最后一个分出错了，如果这5条样本的权重是一样的 错误率=1/5
如果最后那个样本的权重是1/2 其余的是1/8 那么权重错误率是多少？ 1/2
1/2 / 1/2+1/8+1/8+1/8+1/8
也就是说做错的那道题分数分其他的题是不一样的 越难的题分数越高
2. 具体实现
通过权重不同来训练弱分类器模型gt(x)，那么我们每次找到g(x)都应该使当前时刻权重正确率最大。
调整t+1次训练的样本的权重 使得： 正确率（带权重的） 等于 错误率（带权重）
如何调整？引入缩放因子
t+1 样本权重的计算：
Δt 一般是一个大于1的数
对于分类正确的样本 权重除以Δt
对于分类错误的样本 权重乘以Δt
本次的弱模型输出权重：
也就是：α=ln(Δt)
U1 到 U2 是如何计算的
过程：
