决策树的工作原理是，将遍历从根节点到叶节点的每个节点的训练子集进行拆分，直到获得分类/回归结果为止。
但是如何计算实际的决策边界（权重）？我们使用成本函数在每个节点上执行拆分。这个成本函数还可以帮助我们找到权重吗？
例如，要构建AdaBoost分类器，首先要训练第一个基本分类器（例如决策树），然后将其用于对训练集进行预测。错误分类的训练实例的相对权重随后会增加。使用更新后的权重对第二个分类器进行训练，然后再次对训练集进行预测，权重被更新等等。
这相对体重如何计算？
答案 0 :(得分：0)
在Adaboosting中，相对权重计算如下
首先，给定m个训练实例，每个实例的权重相等为1 / m。
现在，我们在训练后定义第j个预测器/分类器的加权错误率，如下所示：
r（j）= sum（不正确实例的权重）/ sum（所有实例的权重）
现在，我们定义另一个术语，即预测器/分类器的权重，如下所示：
cw（j）=学习率* log（（1-r（j））/（rj））
现在，根据每个实例的相对权重，我们按以下方式计算它们，其中i是实例的索引/标识符：
如果w（i）在最后一个预测变量中正确分类，则：
w（i）= w（i）
否则，如果w（i）分类不正确，则：
w（i）= w（i）* exp（cw（j））
如果错误分类的实例小于实例的50％，则会增加权重；如果最后一个预测变量对实例正确的50％进行分类，则会设置r（j）= .5，从而导致cw（ j）= 0，错误实例的w（i）为w（i）* 1，这意味着错误实例权重不会发生变化。