我一直在研究AdaBoost的和GentleBoost分類，但似乎無法找到一個明確的答案的問題：adaboost的應用程序相對於gentleboost的好處，反之亦然？
我被告知AdaBoost適用於面部識別等柔軟邊緣的物品，而GentleBoost適用於具有更硬，更對稱特徵和邊緣的物體，如車輛。這是真的？有沒有證據支持這一說法或任何證據？
從我的記憶中，GentleBoost是AdaBoost分類器的變體。
舉例來說，Adaboost可能能夠檢測出有像GentleBoost提及的硬物的東西，而且我也對Adaboost測試了罐頭和香蕉等東西，這些東西也適用。根據論文，雖然我從未與GentleBoost一起工作過，或者更確切地說，根據論文，計算速度可能是計算帶有小特徵或硬物體的計算速度，例如香蕉，罐頭等。可能會快很多。
您可以在這裏閱讀更多關於此：AdaBoost，Gentleboost雖然只是這個維基中的一小部分，但它應該或多或少的能夠澄清它。
從數學角度來說，主要的差異是使用的損失函數。
對於GentleBoost，更新爲fm（x）= P（y = 1 | x）-P（y = 0 | x）。
雖然AdaBoost算法，更新： 
如果我沒看錯的，GentleBoost應該是不敏感的噪聲數據，除了更快（其中更快的假設看數學側）的AdaBoost但是就準確性而言，我從來沒有玩過它，所以我不能確定。
希望以某種方式幫助你（：
我用OpenCVs版GentleBoost它還提供了離散的AdaBoost，真正的AdaBoost和LogitBoost作爲附加選項它是一種高效，功能強大的工具，這是非常有用的。實時應用程序時，在Cascade structure實現。
純粹個優勢在推動已超過其他方法，如SVM是它也選擇使用的最佳功能。例如，Viola Jones Face Detector使用提升來從160,000個Haar特徵中選擇200個特徵。這使得在實踐中訓練和使用的速度非常快。
根據Jerome Friedman, Trevor Hastie, and Robert Tibshirani，GentleBoost與Logit Boost相關。但是，在嘈雜的特徵和異常值情況下，它強於Logit和Real Boost。
從我對GentleBoost的有限經驗來看，異常值和錯誤標記的樣本仍然是個問題。