对于 1)，在这两个方面都是肯定的。您可以将训练新分类器视为从定义为分类算法范围（即所有可能的结果分类器的集合）的“池”中选择最佳分类器。

对于 2)，这种重新加权方案只是 adaboost 算法定义的一部分。一个合理的问题是，当然，为什么会这样选择？以这种方式重新加权允许将训练误差与指数递减函数绑定。这是Schapire 和 Freund的Boosting定理 3.1 ：

给定算法 1.1 (adaboost) 的符号，令，令为训练集上的任何初始分布。那么组合分类器对的加权训练误差有界为$\lambda_t = \frac{1}{2} - e_t$$D_1$$H$$D_1$

您可以使用它来证明，如果您的基础（弱）分类器具有相对于随机性的固定优势（即，无论多么小，对正确性的小偏差），那么 adaboost 会以指数方式快速降低训练误差。这个不等式的证明从根本上使用了关系式（3）。

我应该注意，算法没有什么明显的。我敢肯定，它需要多年的冥想和一壶又一壶的咖啡才能形成最终的形式——所以首字母没有什么问题？？？响应设置。