AdaBoost – podstawowy algorytm do boostingu, metoda dzięki której z dużej liczby słabych klasyfikatorów można otrzymać jeden lepszy. Autorami algorytmu są Yoav Freund i Robert Schapire.

AdaBoost działa w ten sposób, że w kolejnych iteracjach trenuje, a następnie mierzy błąd wszystkich dostępnych słabych klasyfikatorów. W każdej następnej iteracji "ważność" źle zakwalifikowanych obserwacji jest zwiększana, tak że klasyfikatory zwracają na nie większą uwagę^[1]. Nad AdaBoost pracowali dwaj amerykańscy profesorowie Uniwersytetu Princeton Robert Schapire i Yoav Freund za co otrzymali w 2003 roku nagrodę Gödla, a w 2004 roku Nagrodę Parisa Kanellakisa^[2]. Po raz pierwszy zaprezentowali tę technikę w 1997 roku^[1].