每个节点的权重？ $w_i$

每个型号的重量？ $\alpha_i$

表重量列（更混乱）？初始权重设置为，其中M是数据点的数量。我假设 data2_1 是 data1_1 在通过 feature1 的新权重更新后的更新，但由于缺少关于表的标题等的描述，它有点模糊。$\frac{1}{M}$

在对数据及其权重（）和分数进行训练的分类器之后更新每个节点的权重。$\alpha_i$

$T(x_i)$是最终的分类器，但在表达式之前似乎缺少符号。这是每个分类器与其权重的乘积之和$\alpha_i$

AdaBoost 是一个二元分类器（它可以很容易地扩展到更多类，但公式有点不同）。AdaBoost 以加法方式构建分类树。

从训练数据集中为每个实例/观察分配权重。所以是观察的权重。最初，所有的权重都是相等的，都是其中是观察的数量。$w_i$$i$$\frac{1}{M}$$M$

使用 AdaBoost 构建的树使用每个观察的权重来计算节点中的所有内容（拆分测试、预测、分数）。与普通分类树的主要区别在于，您必须使用权重，而不是使用计数。一个小例子：考虑在某个节点中，您有 3 个标记为正的观察和 2 个标记为负的观察。例如，您将使用和比率来计算熵。在 AdaBoost 中使用的树中，您必须使用每个观察的权重，因此您将用于正标记观察，而用于负标记。熵将使用和$2/5$$3/5$$w_1,w_2,w_3$$w_4,w_5$$(w_1+w_2+w_3)/\sum_i w_i$$(w_4+w_5)/\sum_i w_i$。

为什么使用权重而不是计数（顺便说一下，当所有权重都为$1$)? 因为在每棵树建成后，你会增加那些预测不好的观察的权重，并减少那些预测好的观察的权重。这个想法是因为 AdaBoost 是一种加法模型，一旦你学会了一些东西，你就会想把注意力吸引到仍然需要学习的东西上。

我提到每棵树都被添加到整个学习器中。然而，并不是每棵树都带来相同的贡献，也不是所有的树在性能上都是相同的。因此，您想思考一棵树对最终结果的影响有多大。因此，您有一个计算因子$\alpha_m$它对每棵树的贡献进行建模。

树节点上没有权重，不可能有。

建立 AdaBoost 和 AdaBoost.SAMME（多类版本）的论文没有在列上指定任何权重。我想，如果您希望之前可以进行特征工程，但是如果没有一些相当复杂的调整，列上的权重不适合 AdaBoost 的数学。

您发布的表指定了对行和特征的观察以及列上的目标变量。最后一列包含每个观察值的初始权重。

[后期编辑]

当我为了实现的目的而研究这个算法时，我已经阅读了所有可用的论文（我在某个地方有它们，但它们是打印出来的，而不是手头的）。但是，我记得 Hastie、Tibshirani、Friedman 的书 - The Elements of Statistical Learning 有一个非常好的描述，你可以在网上找到这本书，因为它是作者提供的。我建议你花一些时间在那里。