看这篇文章的前提：已经看了PRML中的Adaboost的算法流程
看懂下面的内容必须牢牢记住：Adaboost使用的误差函数是指数误差
文章主要目的：理解样本抽样的权值是为什么那样变化的。
得出的结论：训练第m个基分类器ym时，样本n的抽样权重是fm-1在样本n上的指数误差
当ym将第n个样本分对了时，则权值保持不变，否则权值增加exp{αm}(>1)倍
（1）
（2）
（3）
(1)表示分类器fm的误差函数是指数误差函数
(2)表示分类器fm是一系列的基函数(yl,即基分类器)的加权和，αl是基分类器yl的权重，l=1...m
(3)表示分类器fm是二分类
Adaboost是选择恰当的αl和yl使得误差E最小，l=1...m
找到全局最优是件很麻烦的事，所以决定找到局部最优，采用了前向分步算法
前向分步算法
假设前m-1个基分类器y1(x)...ym-1(x)已经确定，且相应的权重α1...αm-1也已经确定，此时只需要寻找恰当的αm和ym使得E最小。
因此E可以转换为：
（4）
根据指数误差函数，我们可以知道
，其实就是fm-1在样本n上的误差，即训练ym时，样本n的抽样权重是fm-1在样本n上的误差。
（4）中右边的累加项是表示fm在样本n上的误差，所以就有了下面的递推公式
（5）
（6）
公式6很容易得到，将（6）代入（5）中，可以得到（7）
（7）
而
与n无关，即与样本(数据)无关，所以对样本的抽样没影响，可以去掉。
当ym将第n个样本分对了，则权值保持不变，否则权值增加expαm(>1)倍
接下来的内容是关于算法的三个主要部分的解释：
1、当考虑ym的变化时，最小化分类器fm的指数误差损失等价于最小化第m个基分类器ym的加权的0-1损失
2、当只考虑αm的变化时，最小化分类器fm的指数误差损失，得到基分类器的权值αm的值（与加权误差率的关系）
3、加权误差率
对（4）进行进一步的转换得到：
（8）
如果只考虑ym的变化，最小化E等价于最小化（9）
（9）
（9）表示加权误差和
如果只考虑αm的变化，最小化E得到
（10）
其中：
是加权误差率
补充AdaBoost算法框架
