AdaBoost.M1和DecisionTreeClassifier是两种常用的机器学习算法，可以通过Python中的sklearn库来使用。

首先，需要安装sklearn库，可以使用以下命令进行安装：

pip install -U scikit-learn

接下来，我们可以使用AdaBoost.M1和DecisionTreeClassifier来解决分类问题。下面是一个示例代码，展示了如何使用这两种算法：

from sklearn.ensemble import AdaBoostClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 创建一个分类数据集
X, y = make_classification(n_samples=100, n_features=4, random_state=0)

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建一个决策树分类器
tree_clf = DecisionTreeClassifier(max_depth=1)

# 创建一个AdaBoost分类器，并将决策树分类器作为基分类器
ada_clf = AdaBoostClassifier(base_estimator=tree_clf, n_estimators=50)

# 在训练集上训练AdaBoost分类器
ada_clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = ada_clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个示例中，我们首先使用make_classification函数创建了一个简单的分类数据集。然后，我们将数据集划分为训练集和测试集。

接下来，我们创建了一个决策树分类器，并将其作为基分类器传递给AdaBoost分类器。然后，我们使用训练集对AdaBoost分类器进行训练，并在测试集上进行预测。最后，我们使用accuracy_score函数计算预测的准确率。

这样，我们就完成了AdaBoost.M1和DecisionTreeClassifier在Python中的使用。