GBDT 梯度提升决策树简述
2024-09-08 13:54:24
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
- 关于Ruby常用语法案例累积
- Oracle EBS APIs
- 推荐windows下的日志跟踪工具:SnakeTail
- App Store有哪些原因会影响app应用上架呢?(分享)
- 编译boost
- supervisor使用详解
- XMLHttpRequest对象进行Ajax操作
- Android Apk反编译得到Java源代码
- sql 子查询要命名
- CentOS 6使用iostat
- 游标中的static参数
- 动态从数据库读取菜单(ASP.NET版)
- Java中的深复制与浅复制
- MySQL性能调优的方法
- Visual Studio 2013 Xamarin for iOS 环境搭建
- MooTools,jQuery库的一些比对
- java操作oracle的blob,clob数据
- JavaWeb学习之三层架构实例(二)
- 基于java代码的springmvc配置
- 安装Java8以后,Eclipse运行异常解决方案