Adaboost 是如何通过迭代调整样本权重和弱学习器权重来提升模型整体性能的？请说明其核心原理与主要步骤。

回答思路

1. 【回答框架 1】AdaBoost 是一种迭代式 Boosting 集成方法，核心思想是串行训练多个弱学习器，每个弱学习器聚焦于前一轮被错误分类的样本，最终加权组合成强学习器。
2. 【回答框架 2】初始化时所有训练样本权重相等。每一轮训练一个弱学习器，根据其在加权样本上的错误率计算该学习器的权重，错误率越低权重越高。
3. 【回答框架 3】更新样本权重：被正确分类的样本权重降低，被错误分类的样本权重升高，使得下一轮弱学习器更关注难分类样本。
4. 【回答框架 4】最终预测是各弱学习器加权投票（分类）或加权和（回归），权重由每轮错误率决定，整体模型由多个弱学习器组合而成。
5. 【关键点 1】AdaBoost 属于 Boosting 集成学习，串行训练弱学习器。
6. 【关键点 2】样本权重根据分类正确性动态调整，错误样本权重增大。
7. 【关键点 3】弱学习器权重与错误率呈反比，错误率越低贡献越大。
8. 【关键点 4】最终决策为加权多数投票，实现强学习器。
9. 【易错点 1】误以为 AdaBoost 保证训练准确率百分之百，实际可能过拟合噪声。
10. 【易错点 2】混淆 AdaBoost 与 Bagging 的并行训练和样本采样机制。
11. 【易错点 3】未注意弱学习器需比随机猜测略好，否则可能不收敛。