大师Yoav Freund在文章《A decision-theoretic generalization of on-line leanring and an application to boosting》
AdaBoost.M1（adaBoost的多分类版本号）
—————————————————————————————————————————————————————
设序列，当中
为
的标签。
。且
。
。
服从
分布。设
为循环次数（弱分类器的个数）。
初始化序列的权重，
，
：
1.归一化:
。
2.依照概率分布，对序列进行抽样分布，形成第
次循环的训练数据集
，得到弱分类器：
。
3.计算弱分类器在数据集
的错误率
。假设
，令
，且跳出循环。
4.令（注：
）。
5.令新的权重：
。
（注：我们发现对于分类正确的序列，它的权重降低，分类错误的序列，权重增大）
循环结束后，输出分类器映射：
。
_______________________________________________________________________________________________________________________________
________________________________________________________________________________________________________________________________
大师 JerRome Friedman、Tervor Hastie、Robert Tibshirani在文章《Additive Logistic Regression :a Statistical View of Boosting》，对AdaBoost.M1的二分类版本号，做了更加清晰的描写叙述。即：
Discrete AdaBoost（二分类）
—————————————————————————————————————————————————————
设序列，当中
为
的标签，
。且
，
，
服从
分布。
1.初始化：是均匀分布，即
的权重
，
。
2.:
(a):按概率分布对序列进行抽样分布，形成该次循环的训练数据集
。然后得到弱分类器
。
(b):