有：
估计器只是某种回归、卡尔曼或粒子滤波器。分类器是固定的和静态的。如何从以下形式的加权组合中制作一个强大的估计器：
换句话说，如何选择权重？是否有某种在线方法可以解决此问题？
下面是一个实际应用的简要说明。当注册事件时，会进行多次测量。基于这些测量，分类器将事件软分配给多个重叠类别。我们得到的是软簇的拟合比。
现在事件有可能触发后续事件，这取决于另一个变量 - 独立于事件。我们知道所有的软集群“成员”都可能影响事件被触发的概率。
给定适应度和值，我们想要估计触发的概率。
您可以通过查看 Viola & Jones 人脸检测算法（以及一般的对象检测）http://www.cs.ubc.ca/~lowe/425/slides/13-ViolaJones.pdf找到解决方案。特别是用于从弱分类器构建强分类器的 AdaBoost 算法。https://www.cs.princeton.edu/~schapire/papers/explaining-adaboost.pdf
在这个算法中，这特别用于特征选择，它希望只选择组合在一起的特征，分类更好，而将其他的作为噪声特征丢弃。
获得这个强分类器的方法是具有一组示例 X、一组权重 W 和一组预期结果（分类）Y。对于一个二类示例（例如，人脸 o 没有人脸图像），第一个弱分类器是选择，然后在这个分类器和预期输出之间找到分类误差。对于被错误分类的样本，它们的权重会增加，因此下一个要找到的弱分类器更倾向于忽略这个错误的分类。
当每个样本的分类和的符号输出正确的分类时，算法 (AdaBoost) 收敛。
例如：
Y = +1 -1 +1 +1
WC1=+1 +1 +1 +1
WC2=-1 -1 -1 -1
WC3=+1 -1 +1 +1
所以强分类器是WC1+WC2+WC3：
SC=+1 -1 +1 +1 == Y
希望这能解决你的问题。