集成学习的核心不是"很多模型投票"，而是"让每个新模型专门修正前任的错误"

很多人误以为集成学习就是"民主投票"，但AdaBoost的逻辑完全不同——它是串行的纠错链，每个新分类器不是独立判断，而是专门关注前一轮犯错的样本。这种"定向纠错"的思想比"随机投票"强大得多，也解释了为什么boosting通常优于bagging。