什么时候要使用AdaBoost？

正如我听说AdaBoost分类器在工作中反复提到的那样，我想对它的工作原理以及何时使用它有更好的了解。我已经继续阅读了许多在Google上找到的关于它的论文和教程，但是分类器的某些方面仍然难以理解：

1. 我见过的大多数教程都将AdaBoost视为找到许多分类器的最佳加权组合。这对我来说很有意义。没有意义的是AdaBoost似乎只接受一个弱学习者的实现（即MALLET）。这有什么意义？如果只有一个分类器提供给AdaBoost，是否不应该返回权重为1的相同分类器？它如何从第一个分类器产生新的分类器？

2. 何时真正要使用AdaBoost？我已经读过它应该是最好的即用型分类器，但是当我尝试提升MaxEnt分类器时，我得到的f分数达到70％以上，AdaBoost谋杀了它，并给了我f-得分大约是15％，而召回率却很高，而精度却很低。所以现在我很困惑。我什么时候想使用AdaBoost？如果可能的话，我正在寻找更多的直观而不是严格的统计答案。

Adaboost可以使用具有不同参数的同一分类器的多个实例。因此，先前的线性分类器可以被组合为非线性分类器。或者，正如AdaBoost人们喜欢说的那样，多个弱学习者可以使一个强学习者。一个好的图片可以找到这里，在底部。

基本上，它与任何其他学习算法一样：在某些数据集上有效，在某些数据集上无效。肯定有出色的数据集。也许您尚未选择合适的弱者。您是否尝试过逻辑回归？您是否看到了添加学习者过程中决策界限的演变过程？也许您可以说出问题所在。