如何将几个弱学习器组合成一个强分类器？我知道公式，但问题是，我读过的关于AdaBoost的所有论文中都只有公式而没有示例。我的意思是 – 我有弱学习器及其权重，所以我可以按照公式的指示去做（将学习器乘以其权重，然后再加上另一个乘以其权重的学习器，依此类推），但具体如何操作呢？我的弱学习器是决策树桩。它们有属性和阈值，那么我应该乘以什么呢？
回答：
如果我正确理解了你的问题，这些讲义中有很多图片，详细解释了如何通过提升将弱分类器组合成强分类器：
www.csc.kth.se/utbildning/kth/kurser/DD2427/bik12/DownloadMaterial/Lectures/Lecture8.pdf
基本上，你通过加权组合分离超平面来创建一个更复杂的决策表面（讲义中有很好的图表展示了这一点）
希望这对你有帮助。
编辑
实际操作如下：
在第42页，你可以看到alpha_t = 1/2*ln((1-e_t)/e_t)的公式，这很容易在for循环中计算，或者如果你使用一些数值库（我使用的是非常棒的numpy）直接通过向量运算来计算。alpha_t是在adaboost内部计算的，所以我假设你已经有了这些。
你在第38页看到了数学公式，大sigma表示对所有项求和。h_t是弱分类器函数，它返回-1（否）或1（是）。alpha_t基本上是弱分类器的表现如何，因此它在强分类器的最终决策中有多大发言权（不太民主）。
我从不真正使用for循环，但这样做会更容易理解且更独立于语言（这是Python风格的伪代码）：
strongclassifier(x): response=0 for t in T: #遍历所有弱分类器索引 response += alpha[t]*h[t](x) return sign(response)这在数学上被称为权重与弱响应之间的点积（基本上：strong(x) = alpha*weak(x)）。
编辑2
这是strongclassifier(x)内部发生的事情：分离超平面基本上是在weak(x)函数中决定的，所以所有weak(x)=1的x在超平面的一侧，而weak(x)=-1的x在超平面的另一侧。如果你把它想象成平面上的线，你有一个平面将平面分成两部分（总是如此），一侧是（-），另一侧是（+）。如果你现在有3条无限长的线，形状像一个三角形，它们的负面朝外，你会在三角形内得到3个（+），在外面得到1或2个（-），这在强分类器中会导致一个正的三角形区域，其余部分为负。这是一个过度简化，但要点仍然存在，并且在更高维度中完全类似地工作。
