集成学习（Ensemble Learning）—boosting（提升法）—梯度提升决策树（GBDT）

梯度提升决策树（Gradient Boost Decision Tree  GBDT）又叫 MART （Multiple  Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有书的结论累计起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力较强的算法。这些年被用于搜索排序的机器学习模型而引起大家的关注。

A、GBDT的优点：1，效果确实挺不错的；2，既可以做分类又可以做回归；3，可以筛选特征。

B、GBDT的训练过程

C、GBDT算法内部工作原理

GBDT主要有三个概念组成：Regression Decision Tree(即DT 回归树)，Gradient Boosting（即GB 梯度迭代），Shrinkage（算法的一个重要演进分支，目前大部分源码都按该版本实现）

1、DT：回归树 Regression Decision Tree

决策树分为两大类：回归树和分类树。前者用于预测实数值（是一个值），如明天的温度、用户的年龄、网页的相关程度；后者用于分类标签值，如晴天/阴天/雾天、用户性别、网页是否是垃圾页面。这里要强调的是，前者的结果加减是有意义的，后者则无意义。GBDT的核心在于累加所有树的结果作为最终结果，就像前面对年龄的累加，而分类树的结果是没办法累加的，所以GBDT中的树都是回归树，不是分类树。