AdaBoost：https://blog.csdn.net/v_JULY_v/article/details/40718799
提升樹：https://www.cnblogs.com/daguankele/p/6557328.html
強可學習的：一個概念如果存在一個多項式的學習算法能夠學習它，並且正確了很高，那麼，這個概念是強可學習的；
弱可學習的：一個概念如果存在一個多項式的學習算法能夠學習它，並且學習的正確率僅比隨機猜測略好，那麼，這個概念是強可學習的；
強可學習和弱可學習是等價的；
在學習中，如果發現了“弱學習算法“，能否將他提升爲“強學習算法”
大多數提升方法是改變訓練數據的概率分佈（訓練數據的權值分佈）
1.在每一輪如何改變訓練數據的權值和概率分佈？
提高被前一輪錯誤分類樣本的權值，降低正確分類樣本的權值
2.如何將弱分類器組合成強分類器？
選取多數表決方式，即加大分類誤差小的弱分類器權重
AdaBoost就是將一些簡單可訓練的非線性關係，通過加權和的方式將多個非線性關係相加，其中每次訓練的數據集的權重不同，參見1
提升樹：損失函數爲平方損失爲迴歸，指數損失爲分類器
針對其他損失函數，提出梯度提升方法，不再使用殘差而是損失的負梯度
習題8.1 問題總結爲：AdaBoost算法學習一個強分類器，且假設弱分類器爲決策樹樁
則 涉及：AdaBoost學習強分類器方法，參考8.1.3例子；並涉及決策樹分類器知識，選用CART算法，可參考5.5 定義5.4 （基尼指數）算法5.6（CART生成算法） 例5.4
以上多爲自己計算，參考了書本知識和網上資源，但發現有些不同，有錯誤的地方希望大家指出，共同學習