有机会将决策树与其他决策树相匹配。例如：
adaclassification= AdaBoostClassifier(RandomForestClassifier(n_jobs=-1))
adaclassification.fit(X_train,y_train)
我用随机森林得到了更好的结果，所以用随机森林分类器改进了 adaboost 的结果。但是我不明白这里发生了什么？听起来很简单：adaboost 使用随机森林来适应它的分类。但是这里的数学是怎么回事？Adaboost 由残差组成一个序列（增强）。随机森林（装袋）用树木建造森林。
你的描述很贴切。除了 AdaBoost 算法本身之外，这里没有发生任何特别“数学”的事情。
在伪代码中，正在发生这样的事情：
For n in 1 .. N_Estimators do
Train classifier Tn on data X with weights W
Compute weighted residuals E from Tn
Update W based on E
Renormalize W
end
在您的情况下，Tn将是一个随机森林模型，它本身就是一个基于 bagging 的集合。因此，在“外部”AdaBoost 模型的每次迭代中，都会训练一个完整的随机森林模型，即在数据点和特征的随机子样本上拟合几个决策树。
当然，这对于提升模型来说是一个不寻常的设置。但是没有概念上或计算上的原因导致您不能以这种方式运行算法。
如果您对权重的计算和更新方式感到好奇，Scikit-learn 使用SAMME算法，该算法基于原始 AdaBoost，但并不完全相同。SAMME 在Zhu、Rhosset、Zhou 和 Hastie (2006)的“Multi-Class AdaBoost”中进行了描述。