模型如何根据样本的权重来进行调整：

• 在更新样本权重之后，模型会通过更改自身模型的形状，更加小心的对待这些权重大的样本，从而达到这样一个效果！牺牲权重小的样本，尝试将权重大的样本预测正确。这时，模型会在每一次分类的情况下计算分类之后的误差率，选择误差率最小的分类结果

adaboost在处理多分类问题时，可参考逻辑回归将多分类问题转化为二分类问题。

如果存在样本不均衡的问题，那么可以在基分类器决策树中通过class_weight参数设置

adaboost方法只有在训练集中中的数据通过拟合的模型全部预测正确之后，才会停止迭代，否则会一直迭代下去，在实际的代码实现中可以通过参数n_eatimators的设置来控制模型迭代的次数

adaboost可以解决模型的欠拟合问题，但是会出现严重的过拟合

1/2法则：

• 在adaboost中，预测正确的样本的权重和肯定是0.5，预测错误的样本的权重和也肯定是0.5

• 当前这次一次迭代，预测错的样本，这些样本在进行增加权重之后能，增加权重后的样本总和肯定为1/2

• 当前这次一次迭代，预测正确的样本，这些样本在减小权重之后能，这些样本新权重总也肯定为1/2

代码：

• adaboot的基分类器可以自己选择，可以是决策树、逻辑回归、高斯回归，甚至是集成算法中的随机森林、Adaboost本身也可以，但是基分类器种类确定之后，所有的基分类器都是同一个种类。

• sample_weight，在决策树/逻辑回归中，fit和score中有这样一个参数，可以通过这个参数的设置来进行权重的设置

• 必须要有sample_weight的参数才能放入到adaboost模型中

• 分类问题，必须使用AdaBoostClassifier，并且基分类器也是分类型

• 回归问题，必须使用AdaRegresser，并且基分类器必须是回归类的