الگوریتم‌های AdaBoost.OC و AdaBoost.ECC، قوانین روش ECOC را با یادگیری جمعی تقویتی ادغام کرده و به کمک این استراتژی، توانسته‌اند بر معایت روش AdaBoost.M2 فائق آیند. روش‌های یادگیری تقویتی مبتنی بر ECOC، به طور تکرار شونده، ستون‌های ماتریس کدگذاری را تولید می‌کنند به طوری که اغتشاش[1] میان کلاس‌ها در هر دور اجرای الگوریتم تقویتی، کاهش یابد. الگوریتم 3. جزییات روش AdaBoost.OC را نشان می‌دهد. اثبات قمست‌های تئوری این روش را می‌توان در [36] یافت.
[1] Confusion
الگوریتم AdaBoost.OC، کار خود را با تولید یک تابع کد گذاری[1]، که ارایه دهندگان روش به آن تابع رنگ‌آمیزی[2] می گویند، آغاز می‌کند. تابع رنگ‌آمیزی، ستون‌های ماتریس کدگذاری را تولید و تمام برچسب کلاس‌های را نگاشت می‌کند. همانند AdaBoost.M2، این روش نیز توزیع اضافی را در هر دور t به‌روز رسانی کرده و نگه می‌دارد. با اعمال تابع رنگ‌آمیزی بر توزیع ، تولید می‌شود که میزان توانایی اصلاح خطای ماتریس ستونی را نشان می‌دهد. سپس ، و جهت محاسبه وزن توزیع ، با هم ترکیب می‌شوند. بعد از آن، دسته‌بندی‌کننده دو‌کلاسه بر توزیع جدید آموزش داده می‌شود؛ این قسمت از الگوریتم، با روش AdaBoost.M2 که بر آموزش داده می‌شود متفاوت است. در این مرحله، شبه خطای[3] مشابه الگوریتم AdaBoost، برای محاسبه ، تولید می‌شود. در آخر، توزیع ، مشابه روش AdaBoost.M2، توسط به‌روز رسانی می‌شود. برچسب پیشنهادی فرضیه نهایی H برای نمونه x، همان برچسب ارایه شده توسط است که دارای بیشترین رای وزن دار می‌باشد.
[1] Coding function
[2] Colouring function
[3] Pseudo-error