您好，我最近正在学习课程，并对Adaboost做一些调查
我使用Adaboost查看了一些代码来提高神经网络的性能
据我了解，使用多个类可以通过以下方式完成Adaboost的操作：
（1）将训练数据的每个数据加权为1。
（2）训练后，如果
分类器做错了，如果分类器正确预测，就可以减轻权重。
（3）最后，我们采用所有分类器的组合，并采用最大值（概率）
我可以用Keras和sklearn编写一些代码：
concatenate我的问题是：
我想知道Adaboost如何与神经网络配合使用
我可以想象两种方法来确定Adaboost在这里的工作方式：
（1）完成训练（1小时）后，我们对训练数据重新加权，然后一次又一次地迭代直到迭代结束。
（2）如果所有数据的第一轮都已馈入神经网络，然后我们对训练数据进行加权。
（1）和（2）之间的区别在于我们如何在Adaboost中定义一个迭代：
（1）将花费很长时间才能完成整个迭代
（2）只是一些对我没有意义的原因，因为我认为整个过程不会收敛得如此之快，否则不需要将迭代次数设置为大。
答案 0 :(得分：1)
似乎只有少数人走这条路。
我想我会选择“堆栈”方法。