0. 问题引入

以上是李航的《统计学习方法》中对AdaBoost算法的描述，虽然后文中也对这里的式子进行了注释，但还不是很明朗，下面是我自己的解读。

1. 几个式子的解释

这里的m代表第m个分类器，第m个分类器的分类误差率为分类错误的样本个数乘以一个系数$w_{mi}$wmi​。m=1时这个系数是1/N，之后会按照下面的公式不断变化：

这个式子中的关键是$\alpha_m$αm​：

由上式可知：
当$e_m$em​小于等于1/2时，$\alpha_m$αm​大于等于0,当$e_m$em​大于1/2时，$\alpha_m$αm​小于0。这里我自己来规定一下，当$e_m$em​小于等于1/2时，被认为是弱分类器，当$e_m$em​大于1/2时，被认为是错分类器。

然后来看式(8.4)，首先把这个式子分解为前后两个部分，第一个部分是上一个分类器分类时的系数（这里除以了一个规范化因子$Z_m$Zm​），第二部分就是一个指数函数，指数函数的图像如下：

如果指数小于0,指数函数会大于0且小于1，如果指数大于0，指数函数会大于1 。也就是说指数的大小决定着系数$w_{m+1}$wm+1​会增大还是减小。这样的话就要对$\alpha_m,y_iG_m(x_i)$αm​,yi​Gm​(xi​)进行分情况讨论了。

根据AdaBoost的算法思路：“提高那些被前一轮弱分类器错误分类样本的权值。” 我们可以看到上面表格中可以满足这一思路；另外，对于错分类器，我们只要把它的分类结果取反，它就变成了一个弱分类器，结果就像上表中所示。

最终分类器是所有弱分类器构成的，这里$\alpha_m$αm​也会起很大作用。首先对于弱分类器来说分类的错误率越低$\alpha_m$αm​的绝对值越大，相应的它在最终分类器中所占表决权越大；另外如果是错分类器$\alpha_m<0$αm​<0，相当于把$G_m(x)$Gm​(x)预测的结果取反，这样就成了弱分类器。