我正在研究 Adaboost 分类算法，因为我想从头开始实现它。我了解它是如何工作的，但我无法理解某些步骤的放置位置。

我将在我的理解中描述 Adaboost 训练步骤（对于任何不正确的形式，请见谅）：

• 初始化弱学习器$k$
• 为数据集中的每个样本均等定义权重$w =\frac{1}{N}$
• 合身$k$到数据集
• 计算误差$e = \sum_{i=0}^{N}e_iw_i$
• 计算重要性$\alpha$的$k$， IE$\alpha = \frac{1}{2}log(\frac{1-e}{e})$
• 重新计算正确分类样本的权重：$w_{t+1} = w e^{\alpha}$
• 重新计算错误分类样本的权重：$w_{t+1} = w e^{-\alpha}$
• 标准化新样本权重：$w_{normalized} = \frac{w}{\sum_{i=0}^N w_i}$
• 对于所有后续学习者，基于加权随机选择选择样本，直到获得与原始数据集大小相同的数据集并执行相同的过程。

我的问题是：如何获得错误？关于实现，我应该先拟合数据集，然后从预测相同的数据集中得到错误吗？这似乎不正确。

我试图阅读有关此的不同来源，甚至 Statquest 频道的一个很好的解释也无法说明这一点。

谢谢！