C++ 具有Adaboost的决策树/树桩

我刚开始用Adaboost学习决策树，我正在OpenCV上试用，有一些问题

增强的决策树

我知道，当我将Adaboost与决策树一起使用时，我会不断地将决策树拟合到重新加权的训练数据中。通过加权多数投票进行分类

在使用Adaboost训练决策树时，我可以改用自举吗？i、 在将分类器输入Adaboost之前，我们选择数据集的子集并在每个子集上训练一棵树

增强决策树桩

---

我是否对决策树桩使用相同的技术？或者我可以创建与特征数量相等的树桩吗？也就是说，如果我有两个具有10个特征的类，那么在将分类器输入Adaboost之前，我会为每个特征创建总共10个决策树桩。

Adaboost不仅在不同子集上训练分类器，而且还根据达到的组装性能调整数据集元素的权重。详细说明可参见

是的，您可以使用相同的技术来训练决策树桩。算法大致如下所示：

在没有权重的初始数据集上训练决策树桩（与权重为1的每个元素相同）

使用AdaBoost算法中的公式更新所有元素的权重。正确分类元素的权重应变小，错误分类元素的权重应变大

使用当前权重训练决策树桩。也就是说，不仅要最小化决策树桩所犯错误的数量，还要最小化错误权重的总和

如果未达到所需质量，请转至pt。二,

---

为什么这个问题不在datascience.SE中？