AdaBoost 是 Adaptive Boosting 的缩写，是由 Freund 和 Schapire 于 1996 年开发的一种机器学习算法。它是一种用于在监督学习环境中构建分类器的算法。 AdaBoost 分类器从弱学习器开始，然后通过为弱学习器错误分类的实例赋予更多权重来迭代改进。通过这样做，该算法可以从一组弱学习器中开发出一个强分类器。
AdaBoost 的目标是降低分类器的错误率，同时保持较低的计算成本。它的工作原理是将多个“弱”分类器组合成一个“强”分类器。该算法反复修改与每个训练实例相关的权重，以重点关注弱分类器错误分类的困难实例。最终的强分类器是弱分类器的组合。
AdaBoost 是最流行和最成功的机器学习算法之一。它是解决分类问题的强大方法，并用于许多实际应用，例如遥感、物体识别和医学诊断。它的计算效率很高，可以部署用于在线学习任务。此外，它是一种快速学习算法，不太容易过度拟合，因此对噪声数据具有鲁棒性，并且能够用于大型数据集。
AdaBoost 可以应用于分类和回归问题。随着算法适应不断变化的环境，它还以其随着时间的推移不断改进的能力而闻名。
