标签：分享 kaggle 决策树 分享图片 idt 今天 image span 不同的
一、前述
在 Kaggle 的很多比赛中，我们可以看到很多 winner 喜欢用 xgboost，而且获得非常好的表现，今天就来看看 xgboost 到底是什么以及如何应用。Gradient boosting 是 boosting 的其中一种方法，所谓 Boosting ，就是将弱分离器 f_i(x) 组合起来形成强分类器 F(x) 的一种方法。
二、具体
1、举例
说明：在tree1和tree2里面 男孩的得分值是2.9，实际是将不同的权重值加和 。 相当于将不同的弱分类器组合起来，这种思想就是集成思想。
2、案例分析
我们希望每加一个树能够对预测值提升，所以保留之前的预测值，然后再这基础上再加上新的函数来预测，改变预测值，但是新函数的效果必须是朝着提升之前的预测结果目标（即减少误差，使目标函数越来越小）来的，这是xgboost的目标。
为了防止过拟合，我们需要对目标函数加上正则项，在决策树里面，叶子结点越多，越容易过拟合，所以我们需要对叶子节点个数加上正则化，决策越多，加上的惩罚越大，同时我们还要对叶子结点权重加上惩罚项，最终表现形式如下。T代表一棵树。
那么我们如何选择每一轮加入什么f呢？答案是非常直接的，选取一个f来使得我们的目标函数尽量最大地降低、最终损失函数的表示如下。希望在t-1颗树的基础上，新加一个树来优化这一个目标。
未完待续。。。
标签：分享 kaggle 决策树 分享图片 idt 今天 image span 不同的
原文地址：https://www.cnblogs.com/LHWorldBlog/p/9181121.html
