说一下Adaboost，权值更新公式。当弱分类器是Gm时，每个样本的的权重是w1，w2...，请写出最终的决策公式。

Adost（Adaptive Boosting）是一种常用的集成学习算法，用于提高分类准确率。Adaboost迭代地训练一系列弱分类器，并通过适应性地调整样本权重来对分类错误的样本进行重点关注。

在每一轮迭代中，Adaboost根据先前轮次的分类结果来更新样本权重。具体的权值更新公式如下：

对于第m轮迭代，弱分类器为Gm，样本权重为w1, w2, ..., wn。

1. 对于分类正确的样本，其权重会减小，以减少其对模型的影响。权重更新公式为：wij^(m+1) = wij^(m) * exp(-αm) / Zm，其中Zm是归一化因子，保证样本权重之和为1。

2. 对于分类错误的样本，其权重会增加，以提高其在下一轮中的影响力。权重更新公式为：wij^(m+1) = wij^(m) * exp(αm) / Zm，其中Zm是归一化因子。

在每一轮迭代后，计算弱分类器Gm的权重αm。其中，αm等于 ln((1 - ɛm) / ɛm)，ɛm是该轮分类器的误差率，即被错误分类的样本权重之和。

最终的决策公式通过对每个弱分类器的结果进行加权求和得到：

h(x) = sign(Σ(αm * Gm(x)))

其中，sign函数表示符号函数，将加权求和的结果转化为类别标签。最终的决策公式会根据每个弱分类器的权重选择最优的分类结果。

需要注意的是，Adaboost的弱分类器可以是任意类型的分类器，它只需满足性能要求即可。权值更新公式是Adaboost算法关键的一部分，通过关注分类错误的样本并调整样本权重，使得模型更加关注错误样本，提高整体的分类准确率。