Adaboost（自适应升级）是一个可以用于分类或回归的集合学习算法。虽然Adaboost比许多人更具抵抗力机器学习算法，它通常对嘈杂的数据和异常值敏感。
adaboost被称为自适应，因为它使用多个迭代来生成一个复合强的学习者。adaboost通过迭代地添加弱的学习者（仅与真实分类器略微关联的分类器）创建强的学习者（与真实分类器完全相关的分类器）。在每一轮训练期间，将一个新的弱学习者添加到集合中，并调整加权矢量，以专注于在前一轮中错误分类的例子。结果是一个比弱学习者的分类器更高的准确性分类器。
自适应增强包括以下算法：
- adaboost.m1和adaboost.m2 - 二进制和多字符分类的原始算法
- LogitBoost - 二进制分类（适用于可分离的班级）
- 温和的Adaboost或柔佛 - 二进制分类（与多级分类预测器一起使用）
- robustboost - 二进制分类（强大反对标签噪音）
- lsboost - 最小二乘升压（对于回归合奏）
- LPBoost - 使用线性编程升压多款分类
- Rusboost - 偏斜或不平衡数据的多字符分类
- 全腾料 - 多款分类比LPBoost更强大
有关自适应提升的更多信息，请参阅统计和机器学习工具箱™。
