正如评论中提到的@desertnaut

没有弱学习者变强；原来是弱学习者的集合是强的

Boosting是一种集成多个模型（称为弱学习器）以产生超模型（强学习器）的集成方法。

基本上提升是顺序训练弱学习者，每个都试图纠正它的前任。对于 boosting，我们需要指定一个弱模型（例如回归、浅层决策树等），然后我们尝试改进每个弱学习器以从数据中学习一些东西。

AdaBoost是一种提升算法，其中具有单个拆分的决策树用作弱学习器。此外，我们还有梯度提升和XG 提升。

你需要一堆弱学习者，他们每个人都在数据的一个子集上进行训练。

然后，您只需让所有人做出预测，并了解您可以信任每个人的程度，从而产生加权投票或其他类型的个人预测组合。

在 Boosting 中，我们通过顺序构建弱模型，然后在先前模型的弱指标上构建来改进模型的整体指标。

我们首先将基本的非特定算法应用于该问题，该算法通过采用任意解决方案（如稀疏权重或分配相等的权重/注意力）返回一些弱预测函数。我们通过将权重调整为具有较高错误率的预测，在以下预测中对此进行了改进。经过多次迭代后，我们将其结合起来创建一个具有更好指标的强预测函数。

一些流行的提升算法：

• AdaBoost
• 梯度树提升
• XGBoost