汽车门户网站开发,phpcms v9怎么做网站,爱用网站建设,广州最大的建筑公司什么是GBDT(梯度提升树) 虽然GBDT同样由许多决策树组成#xff0c;但它与随机森林由许多不同。
其中之一是GBDT中的树都是回归树#xff0c;树有分类有回归#xff0c;区分它们的方法很简单。将苹果单纯分为好与坏的是分类树#xff0c;如果能为苹果的好坏程度打个分…什么是GBDT(梯度提升树) 虽然GBDT同样由许多决策树组成但它与随机森林由许多不同。
其中之一是GBDT中的树都是回归树树有分类有回归区分它们的方法很简单。将苹果单纯分为好与坏的是分类树如果能为苹果的好坏程度打个分那它就是回归树。 另一个不同的是GBDT中的每棵树都建立在前一棵树的基础上。
以苹果打分为例我们会先训练一棵树大体预测一下苹果们的分数再去训练一棵树去预测它们与真实分数间的差距如果两者相加仍与真实分数存在差距我们再训练第三棵树预测这部分差距重复这个过程不断减少误差将这些树的预测值加起来就是苹果的分数。
除了苹果被评分的还可以是网页、电影、商品。通过预测关联程度、点击率或是用户的喜好程度来排序GBDT在搜索、广告、推荐系统等领域有着广泛应用能处理标签、数值等各类数据解释性强这些都是GBDT的优点。
不过由于树与树之间的相互依赖需要较长的训练时间。运用多个模型共同解决问题GBDT自然属于集成学习。
像这种一个模型依赖于上一个模型共同逼近正确答案的方法被称为Boosting提升也就是GBDT中的B。 与随机森林类似模型间相互独立共同投票出结果的方法则被称为Bagging(装袋)。 还有一种Stacking(堆叠)是在一多个模型的基础上放置一个更高层的模型。将底层模型的输出作为它的输入由它给出最终的预测结果。
