AdaBoost, abreviatura de Adaptive Boosting, es un algoritmo de aprendizaje automático desarrollado por Freund y Schapire en 1996. Es un algoritmo utilizado para construir clasificadores en un entorno de aprendizaje supervisado. Un clasificador AdaBoost comienza con un alumno débil, que luego se mejora iterativamente dando más peso a las instancias que el alumno débil clasifica incorrectamente. Al hacer esto, el algoritmo puede desarrollar un clasificador sólido a partir de un conjunto de alumnos débiles.
El objetivo de AdaBoost es reducir la tasa de error de un clasificador manteniendo un coste computacional bajo. Funciona combinando múltiples clasificadores "débiles" en un clasificador "fuerte". El algoritmo modifica repetidamente los pesos asociados con cada instancia de entrenamiento para centrarse en instancias difíciles, que los clasificadores débiles clasifican incorrectamente. El clasificador fuerte final es una combinación de clasificadores débiles.
AdaBoost es uno de los algoritmos de aprendizaje automático más populares y exitosos. Es un enfoque poderoso para los problemas de clasificación y se utiliza en muchas aplicaciones del mundo real, como la detección remota, el reconocimiento de objetos y el diagnóstico médico. Es computacionalmente eficiente y se puede implementar para tareas de aprendizaje en línea. Además, es un algoritmo de aprendizaje rápido y es menos propenso a sobreadaptarse, lo que lo hace resistente a datos ruidosos y capaz de usarse para grandes conjuntos de datos.
AdaBoost se puede aplicar tanto a problemas de clasificación como de regresión. También es conocido por su capacidad para mejorar constantemente con el tiempo, a medida que el algoritmo se adapta a entornos cambiantes.
