Adaptive Boosting(自适应提升)是基于 Boosting思想实现的一种集成学习算法，核心思想是通过逐步提高那些被前一步分类错误的样本的权重来训练一个强分类器。
一、Adaboost算法
直线相当于一个弱学习器，
正确的数据权重减小，错误的数据权重增加
二、Adaboost构建过程
1 初始化数据权重，来训练第1个弱学习器。找最小的错误率计算模型权重，再更新模数据权重。
2 根据更新的数据集权重，来训练第2个弱学习器，再找最小的错误率计算模型权重，再更新数据权重。
3 依次重复第2步，训练n个弱学习器。组合起来进行预测。结果大于0为正类、结果小于0为负类
内部算法过程
三、API
sklearn.ensemble.AdaBoostClassifier
)
_280)
