本節課主要介紹了Adaptive Boosting。首先通過講一個老師教小學生識別蘋果的例子，來引入Boosting的思想，即把許多“弱弱”的hypotheses合併起來，變成很強的預測模型。然後重點介紹這種算法如何實現，關鍵在於每次迭代時，給予樣本不同的係數u，宗旨是放大錯誤樣本，縮小正確樣本，得到不同的小矩g。並且在每次迭代時根據錯誤ϵ值的大小，給予不同gt不同的權重。最終由不同的gt進行組合得到整體的預測模型G。實際證明，Adaptive Boosting能夠得到有效的預測模型。 影片內容 pdf：https://www.csie.ntu.edu.tw/~htlin/course/mltech18spring/doc/208_handout.pdf extended reading： A short introduction to boosting (Freund and Schapire) 1.http://cseweb.ucsd.edu/~yfreund/papers/IntroToBoosting.pdf