AdaBoost是一種疊代算法，其核心思想是結合多個弱分類器(弱分類器)來形成一個更強大的最終分類器(強分類器)。在每輪疊代中，算法根據樣本的分類正確性和上一輪的總體分類準確率來調整每個樣本的權重。然後，使用更新後的權重樣本集訓練下一個弱分類器。這個過程一直持續到達到預定的弱分類器數量或錯誤率閾值。
AdaBoost的特點包括自適應地調整樣本權重和弱分類器的權重。在訓練過程中，錯誤分類的樣本的權重會增加，而正確分類的樣本的權重則會降低。此外，AdaBoost不需要預先知道弱學習算法的正確率下限，即弱分類器的誤差率。強分類器的性能依賴於所有弱分類器的性能，從而充分利用弱分類器的能力。
AdaBoost算法的步驟如下：
初始化訓練樣本的權重為相等值。
對於每一輪疊代，訓練弱分類器並計算其誤差率。
根據誤差率計算弱分類器的權重，並更新樣本權重，使得錯誤分類的樣本權重增加。
將所有弱分類器組合成強分類器，其中錯誤率較低的弱分類器獲得較高的權重，錯誤率較高的弱分類器獲得較低的權重。
AdaBoost的套用範圍廣泛，包括兩類問題、多類單標籤問題、多類多標籤問題、大類單標籤問題和回歸問題。它通過使用全部訓練樣本進行學習，能夠排除不必要的訓練數據特徵，專注於關鍵訓練數據。