整理一下寫的非常好的關於AdaBoost算法的博客：
1.1 基於第一步，因此外層循環即爲數據集特徵的循環；
1.1.1 如果是按照第一個特徵來劃分類別，那麼第一個特徵點中存在節點，即樹的左右分支，這個時候怎樣判斷是左還是右呢？
1.1.2 首先根據數據大小跟定一個閾值T，這裏我們T=minx+INT*stup,即最小特徵值（第一個座標的最小值或者。。。。。）+(1,2,3,4,5.....)*步長，這個閾值隨着整數值INT的改變而循環改變；大於閾值T的則爲“rt”，反之則爲“lt”;
1.1.3判斷錯誤率，初始化一個5*1的列向量e，全部爲1，如果預測結果和標籤相同，則將初始化對應的值修改爲0，最後再用一個權重向量D.T*e,這個值即爲最後的錯誤率，如果這個錯誤率小於一定的閾值，即爲最有的決策樹。
1.1.4 這裏要比較每個閾值T的結果是"rt"和"lt"的錯誤率，同時你還要判斷大循環中第一個特徵的錯誤率，或者第二個特徵的錯誤率；
https://blog.csdn.net/cherdw/article/details/78144098
https://blog.csdn.net/lvsolo/article/details/51031117這篇博客關於其中的D的公式的推導和使用寫的非常好，其中關於
《機器學習實戰》這本書上的代碼就是利用了這一公式，自己理解半天沒懂，這篇博客幫了大忙。
https://blog.csdn.net/xiaxzhou/article/details/72872270這篇博客人代碼完整，註釋清晰。
https://blog.csdn.net/haidao2009/article/details/7514787解釋清楚
推導+案例
https://blog.csdn.net/GYQJN/article/details/45501185
https://blog.csdn.net/guyuealian/article/details/70995333
https://blog.csdn.net/v_JULY_v/article/details/40718799