在adaboost当中，样本的权重alpha是固定的，蓝色五角星所在的圈中3个○分错了，红色五角星所在的圈中4个×和1个○都分对了，很容易让人想到，这个模型，对于红色位置的判断更加可信。
动态权重，每个x都会有特定的权重，不同的分类器对于不同的样本的权重是不一样的
base classifer：分○和△
competency predictor：分对和分错的样本
将分错的归到一处，利用KNN的方法，比如要测试一个样本xi和5个最近的训练样本，计算这个模型在5个样本上面分的对还是错，如果那5个分的都对，那这个模型比较靠谱。
但欧氏距离在高维空间
L1：曼哈顿距离
L0.5：分式距离
如上图所示，adaboost收敛性要好于Regionboost
但regionboost的测试误差要低于adaboost
论文出处：
参考文献：