AdaBoost, viết tắt của Adaptive Boosting, là một thuật toán học máy được phát triển bởi Freund và Schapire vào năm 1996. Đây là thuật toán được sử dụng để xây dựng các bộ phân loại trong môi trường học tập có giám sát. Trình phân loại AdaBoost bắt đầu với một trình học yếu, sau đó được cải tiến lặp đi lặp lại bằng cách tăng thêm trọng số cho các trường hợp mà trình học yếu phân loại không chính xác. Bằng cách này, thuật toán có thể phát triển một bộ phân loại mạnh từ một tập hợp những người học yếu.
Mục đích của AdaBoost là giảm tỷ lệ lỗi của bộ phân loại trong khi vẫn duy trì chi phí tính toán thấp. Nó hoạt động bằng cách kết hợp nhiều bộ phân loại “yếu” thành một bộ phân loại “mạnh”. Thuật toán liên tục sửa đổi trọng số liên quan đến từng trường hợp huấn luyện để tập trung vào các trường hợp khó mà bộ phân loại yếu phân loại không chính xác. Bộ phân loại mạnh cuối cùng là sự kết hợp của các bộ phân loại yếu.
AdaBoost là một trong những thuật toán học máy phổ biến và thành công nhất. Đây là một cách tiếp cận mạnh mẽ đối với các vấn đề phân loại và được sử dụng trong nhiều ứng dụng thực tế như viễn thám, nhận dạng đối tượng và chẩn đoán y tế. Nó có hiệu quả về mặt tính toán và có thể được triển khai cho các nhiệm vụ học tập trực tuyến. Ngoài ra, đây là một thuật toán học nhanh và ít có xu hướng bị trang bị quá mức, khiến thuật toán này có khả năng chống nhiễu dữ liệu tốt và có khả năng được sử dụng cho các tập dữ liệu lớn.
AdaBoost có thể được áp dụng cho cả bài toán phân loại và hồi quy. Nó còn được biết đến với khả năng không ngừng cải thiện theo thời gian vì thuật toán thích ứng với môi trường thay đổi.
