1. 模型

加法模型 additive model
$f(x) = \sum_{m=1}^M\beta_mb(x;\gamma_m)$ 其中：
$\beta_mb(x;\gamma_m)$是基函数
$\gamma_m$是参数
$\beta_m$是系数

2. 策略

损失函数：
$\min_{\beta_m,\gamma_m}\sum_{i=1}^NL(y_i,\sum_{m=1}^M\beta_mb(x_i;\gamma_m))$ 公式中，N为样本的个数，M为基函数的个数

使用经验风险极小化作为损失函数极小化

3. 算法

前向分步算法 forward algorithm

因为学习的是加法模型，如果能从前向后，每一步只学习一个基函数及其系数，逐渐逼近优化目标函数式(2)，那么就可以简化优化的复杂度。
具体地，每步只需要优化如下损失函数：
$\min_{\beta,\gamma}\sum_{i=1}^NL(y_i,\beta b(x_i;\gamma))$