R中的adabag包均有函数实现bagging和adaboost的分类建模（另外，ipred包中的bagging（）函数可以实现bagging回归）。第一题就利用adabag包实现bagging和adaboost建模，并根据预测结果选择最优模型。
a) 为了描述这两种方式，先利用全部数据建立模型：
利用boosting（）（原来的adaboost.M1（）函数）建立adaboost分类
library(adabag)
a=boosting(Species~.,data=iris) #建立adaboost分类模型
(z0=table(iris[,5],predict(a,iris)$class)) #查看模型的预测结果
模型的预测结果全部正确。
(E0=(sum(z0)-sum(diag(z0)))/sum(z0)) #计算误差率
[1] 0
从结果看，预测的误差率为0。
barplot(a$importance) #画出变量重要性图
上图可以得知，各变量的重要性分别为:Petal.Length>Petal.Width>Sepal.Length>Sepal.Width
b<-errorevol(a,iris) #计算全体的误差演变
plot(b$error,type="l",main="AdaBoost error vs number of trees") #对误差演变进行画图
上图可以得知，在第七次迭代后误差率就达到零了，实现预测零误差率。
接下来，利用bagging（）函数建立bagging分类模型:
b=bagging(Species~.,data=iris) #建立bagging分类模型
(z0=table(iris[,5],predict(b,iris)$class)) #查看模型的预测结果
可以看出，bangging分类将3个Versicolor误分为Virginica，将4个Virginica误分为Versicolor。
(E0=(sum(z0)-sum(diag(z0)))/sum(z0)) #计算误差率
[1] 0.04666667
误差率为0.047。
barplot(b$importance) #画出变量重要性图
上图可以得知，各变量的重要性分别为:Petal.Length>Petal.Width>Sepal.Length>Sepal.Width
在全量建模的情况下，对比bagging和adaboost分类，adaboost分类的精确度高达100%，明显优于bagging分类。
b) 下面再做5折交叉验证，这里仅给出训练集和测试集的分类平均误差率：
利用boosting（）（原来的adaboost.M1（）函数）建立adaboost分类
set.seed(1044) #设定随机种子
samp=c(sample(1:50,25),sample(51:100,25),sample(101:150,25)) #进行随机抽样
a=boosting(Species~.,data=iris[samp,]) #利用训练集建立adaboost分类模
从结果看，训练集的预测结果是100%正确，测试集的误差率是0.04，有3个实际为Versicolor误分为Virginica。
接下来，利用bagging（）函数建立bagging分类模型:
b=bagging(Species~.,data=iris[samp,]) #利用训练集建立bagging分类模型
Bagging对训练集的预测结果有2个实际为Virginica的误分为Versicolor，误差率为0.027，对测试集的预测结果有2个实际为Versicolor的误分类为Virginica，有2个实际为Virginica的误分为Versicolor，误差率为0.053。
总结：从以上的预测结果对比得知，对于鸢尾花数据集，adabag分类的效果明显优于bagging分类。