GBDT介绍
集成学习
集成学习归属于机器学习，他是一种「训练思路」，并不是某种具体的方法或者算法。
现实生活中，大家都知道「人多力量大」，「3 个臭皮匠顶个诸葛亮」。而集成学习的核心思路就是「人多力量大」，它并没有创造出新的算法，而是把已有的算法进行结合，从而得到更好的效果。
集成学习会挑选一些简单的基础模型进行组装，组装这些基础模型的思路主要有 2 种方法：
bagging（bootstrap aggregating的缩写，也称作“套袋法”）
boosting
Bagging
强强遏制变"弱"，防止过拟合；
Bagging 的思路是所有基础模型都一致对待，每个基础模型手里都只有一票。然后使用民主投票的方式得到最终的结果
具体过程：
从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping（有放回抽取）的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的）
每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的分类或回归方法，如决策树、感知器等）
对分类问题：将上步得到的k个模型采用投票的方式得到分类结果；对回归问题，计算上述模型的均值作为最后的结果。（所有模型的重要性相同）
- 在 bagging 的方法中，最广为熟知的就是随机森林了：bagging + 决策树 = 随机森林
Boosting
弱弱组合变强，防止欠拟合
Boosting 和 bagging 最本质的差别在于他对基础模型不是一致对待的，而是经过不停的考验和筛选来挑选出「精英」，然后给精英更多的投票权，表现不好的基础模型则给较少的投票权，然后综合所有人的投票得到最终结果。
具体过程：
通过加法模型将基础模型进行线性的组合。
每一轮训练都提升那些错误率小的基础模型权重，同时减小错误率高的模型权重。
在每一轮改变训练数据的权值或概率分布，通过提高那些在前一轮被弱分类器分错样例的权值，减小前一轮分对样例的权值，来使得分类器对误分的数据有较好的效果。
- 在 boosting 的方法中，比较主流的有GBDT 。
GBDT算法
GBDT的原理：
所有弱分类器的结果相加等于预测值。
每次都以当前预测为基准，下一个弱分类器去拟合误差函数对预测值的残差（预测值与真实值之间的误差）。
GBDT的弱分类器使用的是树模型。
如图是一个非常简单的帮助理解的示例，我们用 GBDT 去预测年龄：
第一个弱分类器（第一棵树）预测一个年龄（如20岁；
第二棵树预测拟合残差，预测值 6，计算发现差距还有 4 岁；
第三棵树继续预测拟合残差，预测值 3，发现差距只有1 岁了；
第四棵树用 1 岁拟合剩下的残差，完成。
最终，四棵树的结论加起来，得到 30岁 这个标注答案（实际工程实现里，GBDT 是计算负梯度，用负梯度近似残差）。