一个基本的adaboost算法代码，适用于其它人脸人眼检测的基础，非常好用。

参考李航《统计学习方法》

Matlab代码，自己写的AdaBoost代码，对二维样本点进行训练和分类，对每一次迭代的过程中间结果进行展示，便于对AdaBoost训练时的样本权重调整的概念有所展示

包含基于决策树桩进行集成的AdaBoost、Bagging算法，并实现对学习结果的可视化。“*”表示支撑超平面边界的点，“+”、“-”分别表示正反例数据点，青色线条为集学习器（决策树桩）分类边界。

提取haar特征，使用 adaboost训练级联分类器，实现人脸检测。

主要介绍了adaboost算法的原理，该算法的具体实现，通过一个具体简单的实例让我们更清楚地了解adaboost算法。

该项目要求基于FPGA完成车牌定位算法。本项目拟充分发掘FPGA并行运算在图像处理领域的优势，实现基于Adboost算法的车牌检测硬件架构，最终完成车牌定位信息的实时输出。

电子商务是伴随互联网技术快速兴起的一种规模大、潜力大的新型商业模式, 对产品进行短期销量预测能够帮助电商企业对市场变化采取更加迅速的反应和措施. 本文通过电商销量历史数据和门户商品链接点击量建立了一种应用于电子商务会计系统的短期销量预测模型. 借助AdaBoost思想集合多个传统的BP神经网络的预测结果, 使其具备更高的预测准确率, 根据电商短期销量变化的特点规划时间窗口的时序设计, 建立考虑周末效应的以日为单位的销量预测模型. 实验证明, 该预测模型的预测误差可以控制在20%以内.

AdaBoost，是英文"AdaptiveBoosting"（自适应增强）的缩写，由YoavFreund和RobertSchapire在1995年提出。它的自适应在于：前一个基本分 类器分错的样本会得到加强，加权后的全体样本再次被用来训练下一个基本分类器。同时，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小 的错误率或达到预先指定的最大迭代次数。

说到Adaboost，公式与代码网上到处都有，《统计学习方法》里面有详细的公式原理，Github上面有很多实例，那么为什么还要写这篇文章呢？希望从一种更容易理解的角度，来为大家呈现Adaboost算法的很多关键的细节。Adaboost算法基本原理就是将多个弱分类器（弱分类器一般选用单层决策树）进行合理的结合，使其成为一个强分类器。Adaboost采用迭代的思想，每次迭代只训练一个弱分类器，训练好的弱分类器将参与下一次迭代的使用。也就是说，在第N次迭代中，一共就有N个弱分类器，其中N-1个是以前训练好的，其各种参数都不再改变，本次训练第N个分类器。其中弱分类器的关系是第N个弱分类器更可能分对前N