AdaBoost（Adaptive Boosting）是一种集成学习算法，通过迭代地训练一系列弱分类器（通常是决策树），并调整样本权重，使得每个弱分类器关注于之前分类错误的样本，最终通过加权投票来获得更强的集成分类器，提高分类性能。