Boosting原理
众做周知，boosting就是所谓的有多个弱分类器组成一个强分类器。而什么叫做弱分类学习和什么时候需要使用弱分类学习呢？
弱分类学习
弱分类学习：识别一组概念的正确率仅比随机猜的概率高一点。 同理，当需要分类的训练组具有上述特点时，可以优先考虑使用boosting算法。
Boosting的重要历史事件Boosting的原理
为了训练一系列弱分类器h1,h2,..hT，不断的对样本进行分类，每次分类后，主要关注错误的样本，计算本次分类的权重，，然后将错误的样本进行下一次的分类器学习，如此类推。 最终将所有弱分类器组合起来：
AdaBoost算法
Boosting在OpenCV中实现训练图像组CvBoostParams
这个类主要是对Boosting的设定，例如设定使用哪种boosting和一些训练的参数，本身是有默认值的，所以如果不设定的话，可以直接使用默认值。 默认值如下：
CvBoostParams::CvBoostParams(){ boost_type = CvBoost::REAL;weak_count = 100;weight_trim_rate = 0.95;cv_folds = 0;max_depth = 1;}
如果需要设定，则设定方法如下：
CvBoostParams params(CvBoost::DISCRETE,100,0.95,0,1);CvBoostParams::trainvoid boosting_train(vector<Mat> mats,vector<int> response,int class_count=2){CvBoost boost; //使用默认值if(mats.size()!=0){int total=mats[0].cols*mats[0].rows;Mat mat=Mat(total,mats.size(),CV_64FC1);for(int i=0;i<mats.size();i++){Mat col_tmp=mat.col(i);mats[i].reshape(1,total).col(0).convertTo(col_tmp,CV_64FC1,1/255.);}Mat resp=Mat(mats.size(),1,CV_64FC1);for(int i=0;i<response.size();i++){resp.at(i,0)=response[i];}boost.train(mat.t(),CV_ROW_SAMPLE,resp);}//为了使效果更好，可以样本数换成样本数乘以分类的数，即mats.size()换成mats.size()*class_count}
参考文档：
转载请注明出处：
积极思考造成积极人生，消极思考造成消极人生。
