1. 基于统计学习理论的机器学习方法
　　数据序列是一组按照某种顺序排列的随机数据，采用统计的方法可以有效分析数据的统计特征。机器学习方法的重要理论基础是统计学，现代人工智能是基于大量数据的机器学习理论，机器学习的主要目的是对新的样本尽可能给出精确的估计。
　　2.提升方法
　　随机猜测一个是或否的问题，将会有50%的正确率。如果一个假设能够稍微地提高猜测正确的概率，那么这个假设就是弱学习算法，如果一个假设能够显著地提高猜测正确的概率，那么这个假设就称为强学习算法。提升方法是统计学习方法中常用的一种。提升方法就是从弱学习算法出发，改变训练数据的权值分布，反复学习，得到一系列弱分类器，然后组合这些分类器，构成一个强分类器。
　　提升方法的基本思路：
　　（1）刚开始训练数据中的每个样本被赋予一个相等的权重，这些权重构成分类样本[D];
　　（2）在训练集上训练出一个弱分类器并计算该分类器的错误率[ε]，根据分类器的错误率可以计算出该分类器的权重[α=1/2ln（1-εε）];
　　（3）根據上一次分类器的权重调整每个训练样本的权重，分对的样本权重降低，分错的样本权重升高，然后在同一训练集上再次训练弱分类器;反复训练，直到错误率达到要求为止。
　　3.实例解析
　　假设现有“+”与“-”两种类别的数据，共10个数据点构成的数据集，我们用水平或垂直线作为分类器进行分类。初始情况下，每个样本的权重[D1]（如图1）是相等的，为0.1。
　　<img src="http://img.resource.qikan.cn/qkimages/gzss/gzss201706/gzss20170633-1-l.jpg" alt="" />