输入：数据集 $D=\left(x_1,y_1\right),\left(x_2,y_2\right),\cdots ,\left(x_m,y_m\right)$ ；基学习算法为h；学习的循环次数为T。

过程：

1) ${\omega }_i\left(m\right)=\frac{1}{m}$ 为所有样本设置相同权重；

2) for $t=1,2,\cdots ,n$ ；

3) 利用分布w随机抽取一定数量的多数类样本，与所有的少数类样本建立临时数据集 $D^{\prime }$ ，并产生其对应的权值分布 ${\alpha }_t$ ；

4) 将生成的训练集 $D^{\prime }$ ，去训练第t次迭代生成的弱分类器 $h_t$ 并返回；

5) 计算第t次训练的分类错误率 ${\epsilon }_t=P_{x-A_i}\left(h_i\left(x_i\right)\ne y_i\right)={\displaystyle \sum _{i=1}^m{D}_i}\left(i\right)I\left(h_i\left(x_i\right)\ne y_i\right)$ ；

6) 如果 ${\epsilon }_t>0.5$ ，则重新训练弱分类器；

7) 更新权重为 ${\alpha }_t=\frac{1}{2}\ln \frac{1-{\epsilon }_t}{{\epsilon }_t}$ ；

8) 归一化因子： $Z_t={\displaystyle \sum _{i=1}^m{\alpha }_t\left(i\right){\text{e}}^{-{{\beta }^{\prime }}_t\left(i\right)}}$ ；

9) 更新样本权值，表示第t个样本在第轮训练的权值，算法为 $\frac{{\alpha }_t\left(i\right)}{Z_t}{\text{e}}^{-{\alpha }_t{y}_t{h}_t\left(x_i\right)},i=1,2,\cdots ,m$ 。

输出： $H\left(x\right)=sign\left({\displaystyle \sum _{t=1}^T{\alpha }_t\times h_t\left(x\right)}\right)$