本文主要从模型、算法、模拟效果三个方面阐释了目前比较热点的解决分类问题的Boosting方法和Lasso方法。在模型部分，文章归纳了三种损失函数:指数损失函数、负对数似然损失函数、平方误差损失函数，并选取了三种基础学习器代表:简单分类二叉树，简单回归二叉树、维成分回归基，详细解释了Boosting方法和Lasso方法基于适宜的损失函数和基础学习器，并选择最佳谓整参数建立模型的过程。在算法上，本文以Boosting的向前逐步可加Logistic回归算法和Lasso的最小角回归Lars算法作为算法建模的代表，探讨了这两种方法均属于逐步可加模型的相关理论。在模拟研究部分，文章利用十二组不同特点的数据，区分了解决分类问题的几种典型的Boosting方法和Lasso方法在处理高维数据、自相关数据上的不同表现，从分类结果和变量选择两个方面，给出了Boosting和Lasso两种方法在处理不同数据上的比较。