标签：gradient 提升 数据 预测 art 大量 学习 http 性能
本笔记来源于CDA DSC，L2-R语言课程所学进行的总结。
Boosting算法和树模型的结合。按次序建立多棵树，每棵树都是为了减少上一次的残差(residual)，每个新的模型的建立都是为了使之前模型的残差往梯度方向减少。最后将当前得到的决策树与之前的那些决策树合并起来进行预测。
相比随机森林有更多的参数需要调整。
————————————————————————————————————————————————————————————
随机森林：决策树+bagging=随机森林
梯度提升树：决策树Boosting=GBDT
两者区别在于bagging boosting之间的区别，可见:
|
|
bagging |
boosting |
|
取样方式 |
bagging采用均匀取样 |
boosting根据错误率来采样 |
|
精度、准确性 |
相比之，较低 |
高 |
|
训练集选择 |
随机的，各轮训练集之前互相独立 |
各轮训练集的选择与前面各轮的学习结果相关 |
|
预测函数权重 |
各个预测函数没有权重 |
boost有权重 |
|
函数生成顺序 |
并行生成 |
顺序生成 |
|
应用 |
象神经网络这样极为消耗时间的算法，bagging可通过并行节省大量的时间开销 baging和boosting都可以有效地提高分类的准确性 |
baging和boosting都可以有效地提高分类的准确性 一些模型中会造成模型的退化（过拟合） boosting思想的一种改进型adaboost方法在邮件过滤，文本分类中有很好的性能 |
|
|
随机森林 |
梯度提升树 |
单棵决策树：rpart/tree/C50
随机森林：randomforest/ranger
梯度提升树：gbm/xgboost
树的可视化：rpart.plot
标签：gradient 提升 数据 预测 art 大量 学习 http 性能
原文地址：http://www.cnblogs.com/stevendes1/p/6416222.html
