提升法（Boosting），理学-统计学-大数据统计分析-大数据，用于减小监督式学习中偏差的机器学习算法。将众多分类器组合，提升总的分类效果，将众多分类器组合，提升总的分类效果。简史由以色列计算机科学家Y.弗罗因德[注]和美国计算机科学家R.E.沙皮尔[注]于1990年提出，主要应用于分类领域。由于将众多分类器组合可以提升总的分类效果，故而称为提升法。沙皮尔等人提出原始的提升算法，基于三个弱的分类器采用少数服从多数的投票准则进行分类。弗罗因德和沙皮尔于1995年提出的自适应提升法（AdaBoost），算法中每个弱分类器输出0或者1。之后各种提升法不断出现并不断完善。