Boosting

在上一個練習中，你以 bagging 開始接觸集成（ensemble）技術。在機器學習面試中，常會被要求嘗試或討論不只一種集成方法。

這裡你要練習 Boosting。Boosting 會用全部的資料來訓練每個學習器，但會對先前學習器誤分類的樣本給予更高權重，讓後續學習器在訓練時更關注這些樣本。這能降低模型的偏差（bias）。

所有需要的套件都已為你匯入： pandas 作為 pd，sklearn.model_selection 的 train_test_split，sklearn.linear_model 的 accuracy_score，sklearn.linear_model 的 LogisticRegression，以及 sklearn.ensemble 的 BaggingClassifier 和 AdaBoostClassifier。

loan_data 的 DataFrame 已經分割為 X_train、X_test、y_train 和 y_test。