首先明确一点，gbdt 无论用于分类还是回归一直都是使用的CART 回归树。不会因为我们所选择的任务是分类任务就选用分类树，这里面的核心是因为gbdt 每轮的训练是在上一轮的训练的残差基础之上进行训练的。这里的残差就是当前模型的负梯度值 。这个要求每轮迭代的时候，弱分类器的输出的结果相减是有意义的。残差相减是有意义的。

如果选用的弱分类器是分类树，类别相减是没有意义的。上一轮输出的是样本 x 属于 A类，本一轮训练输出的是样本 x 属于 B类。 A 和 B 很多时候甚至都没有比较的意义，A 类- B类是没有意义的。

链接：

https://www.cnblogs.com/ModifyRong/p/7744987.html

最新文章

1. 关于Ruby常用语法案例累积
2. Oracle EBS APIs
3. 推荐windows下的日志跟踪工具：SnakeTail
4. App Store有哪些原因会影响app应用上架呢？（分享）
5. 编译boost
6. supervisor使用详解
7. XMLHttpRequest对象进行Ajax操作
8. Android Apk反编译得到Java源代码
9. sql 子查询要命名
10. CentOS 6使用iostat
11. 游标中的static参数
12. 动态从数据库读取菜单（ASP.NET版）
13. Java中的深复制与浅复制
14. MySQL性能调优的方法
15. Visual Studio 2013 Xamarin for iOS 环境搭建
16. MooTools，jQuery库的一些比对
17. java操作oracle的blob,clob数据
18. JavaWeb学习之三层架构实例（二）
19. 基于java代码的springmvc配置
20. 安装Java8以后，Eclipse运行异常解决方案

热门文章

1. Java安全之C3P0利用与分析
2. vue常用组件
3. NumPy 初学者指南中文第三版·翻译完成
4. 「ZJOI2014」星系调查
5. Redis哨兵模式高可用解决方案
6. 在windows、widfly环境下，远程debug
7. js演示面向对象
8. 关于CSS3样式中的前缀问题
9. php常考功能函数
10. Foundation框架介绍