请比较AdaBoost算法与随机森林算法在训练机制、基学习器类型、对噪声和异常值的敏感性以及最终预测结果生成方式上的主要差异，并说明它们各自的适用场景。

回答思路

1. 【回答框架 1】AdaBoost是一种Boosting算法，通过串行训练多个弱学习器（通常是深度很浅的决策树），每个弱学习器都更加关注前一个学习器分类错误的样本（通过提高错分样本的权重）。最终预测是各弱学习器加权投票的结果。
2. 【回答框架 2】随机森林是Bagging算法的一种变体，通过有放回抽样（bootstrap）生成多个子训练集，并行训练多个决策树，且在每次节点分裂时从随机选取的特征子集中选择最优划分特征。最终预测通过对所有树的预测结果进行投票或平均得到。
3. 【回答框架 3】差异方面：AdaBoost串行、依赖权重更新，基学习器通常为浅层树；随机森林并行、依赖随机抽样，基学习器为完整成长的决策树。AdaBoost对噪声和异常值敏感，因为异常值可能被放大权重；随机森林对噪声更鲁棒，因为特征的随机选取和样本抽样降低了过拟合风险。
4. 【回答框架 4】适用场景：AdaBoost适合数据较为干净、对精度要求高且允许串行训练的场景；随机森林适合高维数据、存在噪声和异常值、需要特征重要性评估且要求训练效率较高的场景。
5. 【关键点 1】AdaBoost是Boosting串行算法，通过样本权重迭代提升弱分类器；随机森林是Bagging并行算法，通过自助采样和随机特征选择构建多棵决策树。
6. 【关键点 2】AdaBoost的基学习器通常为浅层树，随机森林的基学习器为完整决策树，且引入特征随机性。
7. 【关键点 3】AdaBoost对噪声和异常值敏感，随机森林通过随机性对噪声更鲁棒。
8. 【关键点 4】AdaBoost预测为加权多数投票，随机森林预测为简单投票或平均。
9. 【关键点 5】随机森林可输出特征重要性，AdaBoost则给出样本权重信息。
10. 【易错点 1】误认为AdaBoost和随机森林都是并行训练，实际上AdaBoost是串行迭代。
11. 【易错点 2】忽略噪声敏感性差异，错误宣称AdaBoost对噪声鲁棒。
12. 【易错点 3】混淆基学习器类型，误认为随机森林使用浅层树或AdaBoost必须使用组合树。