Boosting算法是一種集成學習技術，其目的是將多個弱學習器組合成一個強學習器。這種算法的原理是，首先從初始訓練集訓練出一個基學習器，然後根據這個學習器的表現調整訓練樣本的權重，使得那些被錯誤分類的樣本在後續的訓練中得到更多的關注。這個過程重複進行，直到達到指定的基學習器數量。這些基學習器（弱分類器）通過一定的方式（如加權投票）組合成一個強分類器。在這個過程中，AdaBoost算法通過提高錯誤分類樣本的權重和降低正確分類樣本的權重來調整樣本分布。最終，這些基學習器的加權組合形成了強學習器。
Boosting算法的特點包括：
疊代性：通過逐個添加新的弱分類器來改進模型性能。
加權投票：每個弱分類器都對最終的預測有所貢獻，但其影響力度根據其在訓練過程中的表現進行調整。
樣本權重調整：在每一輪訓練中，根據弱分類器的錯誤率調整樣本的權重，使得錯誤分類的樣本在後續訓練中受到更多關注。
Boosting算法的一個重要套用是AdaBoost，它是一種自適應boosting算法，通過調整樣本權重和弱分類器的權重來實現強學習器的構建。