1. • base_estimator：一个基础分类器对象，该基础分类器必须支持带样本权重的学习。默认为DecisionTreeClassfier。

   • n_estimators：一个整数，指定基础分类器的数量（默认为50）。

     当然如果训练集已经完美的训练好了，可能算法会提前停止，此时基础分类器数量少于该值。

   • learning_rate：一个浮点数，表示学习率，默认为1。它就是下式中的 ： 。

     • 它用于减少每一步的步长，防止步长太大而跨过了极值点。
     • 通常学习率越小，则需要的基础分类器数量会越多，因此在learning_rate和n_estimators之间会有所折中。

   • • 'SAMME.R' ：使用SAMME.R 算法。基础分类器对象必须支持计算类别的概率。

       通常'SAMME.R' 收敛更快，且误差更小、迭代数量更少 。

     • 'SAMME'：使用SAMME算法。

   • random_state：指定随机数种子。

2. • estimators_： 所有训练过的基础分类器。
   • classes_： 所有的类别标签。
   • estimator_weights_：每个基础分类器的权重。
   • estimator_errors_：每个基础分类器的分类误差。
   • feature_importances_：每个特征的重要性。

3. 模型方法：

   • fit(X, y[, sample_weight])：训练模型。
   • predict(X)：用模型进行预测，返回预测值。
   • predict_log_proba(X)：返回一个数组，数组的元素依次是X预测为各个类别的概率的对数值。
   • predict_proba(X)：返回一个数组，数组的元素依次是X预测为各个类别的概率值。
   • score(X,y[,sample_weight])：返回模型的预测性能得分。
   • staged_predict(X)：返回一个数组，数组元素依次是：集成分类器在每一轮迭代结束时的预测值。
   • staged_predict_proba(X)：返回一个二维数组，数组元素依次是：集成分类器在每一轮迭代结束时，预测X为各个类别的概率值。
   • staged_score(X, y[, sample_weight])：返回一个数组，数组元素依次是：集成分类器在每一轮迭代结束时，该集成分类器的预测性能得分。

6.1 AdaBoostRegressor

1. AdaBoostRegressor是 AdaBoost回归器，其原型为：

   class sklearn.ensemble.AdaBoostRegressor(base_estimator=None, n_estimators=50,  
   

   • base_estimator：一个基础回归器对象，该基础回归器必须支持带样本权重的学习。默认为DecisionTreeRegressor。

   • loss：一个字符串。指定了损失函数。可以为：

     • 'linear'：线性损失函数（默认）。
     • 'square'：平方损失函数。
     • 'exponential'：指数损失函数。
   • 其它参数参考AdaBoostClassifier 。
2. • estimators_：所有训练过的基础回归器。
   • estimator_weights_：每个基础回归器的权重。
   • estimator_errors_：每个基础回归器的回归误差。
   • feature_importances_：每个特征的重要性。

3. 模型方法：

   • fit(X, y[, sample_weight])：训练模型。
   • predict(X)：用模型进行预测，返回预测值。
   • score(X,y[,sample_weight])：返回模型的预测性能得分。
   • staged_score(X, y[, sample_weight])：返回一个数组，数组元素依次是：集成回归器在每一轮迭代结束时，该集成回归器的预测性能得分。