问机器学习中集成方法/决策树的决策边界是如何生成的？

EN

决策树的工作原理是在每个节点上拆分训练子集，遍历根到叶节点，直到我们得到分类/回归结果。

但是实际的决策边界(权重)是如何计算的呢？我们使用成本函数在每个节点上执行拆分。这个代价函数也能帮助我们找到权重吗？

例如，为了构建AdaBoost分类器，训练第一个基本分类器(例如决策树)，并使用该分类器对训练集进行预测。然后增加错误分类的训练实例的相对权重。第二个分类器使用更新的权重进行训练，并再次对训练集进行预测，更新权重，依此类推。

这个相对权重是如何计算的？