更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https://www.cnblogs.com/nickchen121/p/11686958.html
scikit-learn库之AdaBoost算法
当我们对Adaboost调参时，主要要对两部分内容调参，第一部分是对Adaboost的框架进行调参，第二部分是对弱学习器调参。本文主要介绍AdaBoost的两个模型AdaBoostClassifier和AdaBoostRegressor，会详解介绍AdaBoostClassifier模型，然后会对比着讲解AdaBoostRegressor模型。
接下来将会讨论上述两者的区别，由于是从官方文档翻译而来，翻译会略有偏颇，有兴趣的也可以去scikit-learn官方文档查看https://scikit-learn.org/stable/modules/classes.html#module-sklearn.ensemble
一、AdaBoostClassifier
1.1 使用场景
AdaBoostClassifier模型主要解决分类问题，并且它在scikit-learn库中使用了两种分类算法的实现，分别是SAMME和SAMME.R。
1.2 参数
- base_estimator：弱分类器类型，object类型。理论上可以选择任何一个弱分类器，不过需要支持样本权重，一般用决策树或神经网络。如果algorithm='SAMME.R'，弱分类器应该支持概率预测，即支持predict_proba()方法。如果为默认值，算法会选择一个最大深度为1的决策树。默认为None。
- n_estimators：最大迭代次数，int类型。弱学习器的最大迭代次数，如果迭代次数太小，容易欠拟合；如果迭代次数太大，容易过拟合。默认为50。
- learning_rate：权重缩减系数，float类型。这个参数是正则化项的参数。较小的需要更多的迭代次数，即learning_rate和n_estimators需要一起调参。默认为1。
- algorithm：算法类型，str类型。该参数主要用来度量学习器的权重。默认为'SAMME.R'。
- 'SAMME'：使用样本集分类效果作为弱分类器权重
- 'SAMME.R'：使用样本集分类的预测概率大小作为弱分类器权重
- random_state：随机数种子，int类型。使用后可以保证随机数不会随着时间的变化而变化。默认为None。
1.3 属性
- estimators_：list类型。弱学习集合。
- classes_：array类型。类别列表。
- n_classes_：int类型。类别数。
- estimator_weights_：array类型。每个弱学习的权重。
- estimator_errors_：array类型。每个弱学习额分类误差。
- feature_importances_：array类型。返回特征重要度。
1.4 方法
- decision_function(X)：计算样本X的决策函数值。
- fit(X,y)：把数据放入模型中训练模型。
- get_params([deep])：返回模型的参数，可以用于Pipeline中。
- predict(X)：预测样本X的分类类别。
- predict_log_proba(X)：返回样本X在各个类别上对应的对数概率。
- predict_proba(X)：返回样本X在各个类别上对应的概率。
- score(X,y[,sample_weight])：基于报告决定系数评估模型。
- set_prams(**params)：创建模型参数。
- staged_decision_function(X)：返回每个阶段样本X的决策函数值。
- staged_predict(X)：返回每个阶段样本X的预测值。
- staged_predict_proba(X)：返回每个阶段样本X在各个类别上对应的概率。
- staged_score(X,y[,sample_weight])：返回每个阶段样本X的分数。
二、AdaBoostRegressor
AdaBoostRegressor模型和AdaBoostClassfier模型参数上差不多，只是前者一般用来解决回归问题，后者用来解决分类问题，预测值处理方式不同。并且AdaBoostRegressor模型在scikit-learn库中只是用了Adaboost.R2算法实现。
AdaBoostRegressor模型没有参数'algorithm'，而是使用了loss参数，即误差函数{'linear','square','exponential'}的选择。