包含基于决策树桩进行集成的AdaBoost、Bagging算法，并实现对学习结果的可视化。“*”表示支撑超平面边界的点，“+”、“-”分别表示正反例数据点，青色线条为集学习器（决策树桩）分类边界。

Adaboost的理念与推导 说明 adaboost也是集成学习的一种，也是很多模型一起做决策，最终投票决定，下面会介绍一下adaboost的理念、流程以及简要推导。 理念 1.错题应该被多做 bagging中的抽样是随机的，但更boosting的策略是使那些被分错类的数据以更高的概率出现，简单来说，在平时练习的过程中应该多做错题，这样真正考试的时候才更有把握。 2.强者拥有更多的话语权 我们有很多的分类器，有的分类器厉害一点，正确率高。那么相应的在最终投票的时候，不应该是简单的一人一票，而是强