由前向分步算法可以推导出 AdaBoost，用定理叙述这一关系。
  定理 8.3  AdaBoost 算法是前向分步加法算法的特例。 这时，模型是由基本分类器组成的加法模型，损失函数是指数函数。
  证明 前向分步算法学习的正加法模型，当基函数为基本分类器时，该加法模型等价于 AdaBoost 的最终分类器：

$$f(x)=\sum _{m=1}^M{\alpha }_m{G}_m(x)\text{\hspace{1em}(8.19)}$$

由基本分类器 $G_m(x)$ 及其系数 ${\alpha }_m$ 组成，$m=1,2,\cdots ,M$。前向分步算法逐一学习基函数，这一过程与 AdaBoost 算法逐一学习基本分类器的过程一致。下面证明前向分步算法的损失函数是指数损失函数（exponential loss function）

$$L(y,f(x))=\exp (-yf(x))$$

时，其学习的具体操作等价于 AdaBoost 算法学习的具体操作。

假设经过 $m-1$ 轮迭代前向分步算法已经得到 $f_{m-1}(x)$：

$$f_{m-1}(x)=f_{m-2}(x)+{\alpha }_{m-1}{G}_{m-1}(x)$$

$$={\alpha }_1{G}_1(x)+\cdots +{\alpha }_{m-1}{G}_{m-1}(x)$$

在第 $m$ 轮选择得到 ${\alpha }_m$、$G_m(x)$ 和 $f_m(x)$：

$$f_m(x)=f_{m-1}(x)+{\alpha }_m{G}_m(x)$$

目标是使前向分步算法得到的 ${\alpha }_m$ 和 $G_m(x)$ 使 $f_m(x)$ 在训练数据集 $T$ 上的指数损失最小，即

$$({\alpha }_m,G_m(x))=\arg \underset{\alpha ,G}{\min }\sum _{i=1}^N\exp \left[-y_i\left(f_{m-1}(x_i)+\alpha G(x_i)\right)\right]\text{\hspace{1em}(8.20)}$$

式（8.20）可以表示为

$$({\alpha }_m,G_m(x))=\arg \underset{\alpha ,G}{\min }\sum _{i=1}^N{\tilde{w}}_{mi}\exp (-y_i\alpha G(x_i))\text{\hspace{1em}(8.21)}$$

其中， ${\tilde{w}}_{mi}=\exp (-y_i{f}_{m-1}(x_i))$，因为 ${\tilde{w}}_{mi}$ 已不依赖于 $G$，所以与最小化无关。${\tilde{w}}_{mi}$ 依赖于 $f_{m-1}$，随得每一轮迭代而发生改变。
  现在证明使（8.21）达到最小的 ${\alpha }_m^{\ast }$ 和 $G_m^{\ast }(x)$ 就是 AdaBoost 算法所得得到的 ${\alpha }_m$ 和 $G_m(x)$。求解式（8.21）可分两步：
  首先，求 $G_m^{\ast }(x)$ 对任意 $\alpha >0$，使式（8.21）最小的 $G(x)$ 由下式得到：

$$G_m^{\ast }(x)=\arg \underset{G}{\min }\sum _{i=1}^N{w}_{mi}I(y_i\ne G(x_i))$$

其中，${\tilde{w}}_{mi}=\exp (-y_i{f}_{m-1}(x_i))$
  此处分类器 $G_m^{\ast }(x)$ 即为 AdaBoost 算法的基本分类器 $G_m(x)$，因为它是使第 $m$ 轮加权训练数据集分类误差最小的基本分类器。
  然后，求 ${\alpha }_m^{\ast }$ 参式（8.11），式（8.21）中

$$\sum _{i=1}^N{\tilde{w}}_{mi}\exp (-y_i\alpha G(x_i))=\sum _{y_i=G_m(x_i)}{\tilde{w}}_{mi}{e}^{-\alpha }+\sum _{y_i\ne G_m(x_i)}{\tilde{w}}_{mi}{e}^{\alpha }$$

$$=(e^{\alpha }-e^{-\alpha })\sum _{i=1}^N{\tilde{w}}_{mi}I(y_i\ne G(x_i))+e^{-\alpha }\sum _{i=1}^N{\tilde{w}}_{mi}\text{\hspace{1em}(8.22)}$$

将它求得的 $G_m^{\ast }(x)$ 代入式（8.22），对 $\alpha$ 求导并使导数数为0，即得到使式（8.21）最小的 $\alpha$：

$${\alpha }_m^{\ast }=\frac{1}{2}\log \frac{1-e_m}{e_m}$$

其中，$e_m$ 是分类误差率：

$$e_m=\frac{{\sum }_{i=1}^N{\tilde{w}}_{mi}I(y_i\ne G_m(x_i))}{{\sum }_{i=1}^N{\tilde{w}}_{mi}}$$

$$=\sum _{i=1}^N{w}_{mi}I(y_i\ne G_m(x_i))\text{\hspace{1em}(8.23)}$$

这里的 ${\alpha }_m^{\ast }$ 与 AdaBoost 算法第 2(c) 步的 ${\alpha }_m$ 完全一致。
  最后来看每一轮样本权值的更新。由

$$f_m(x)=f_{m-1}(x)+{\alpha }_m{G}_m(x)$$

以及 ${\tilde{w}}_{mi}=\exp (-y_i{f}_{m-1}(x_i))$，可得：

$${\tilde{w}}_{m+1,i}={\tilde{w}}_{m,i}\exp (-y_i{\alpha }_m{G}_m(x))$$

这与 AdaBoost 算法第 2(d) 步的样本权值的更新只相差规范化因子，因而等价。