決策樹模型組合之（在線）隨機森林與GBDT

前言： 決策樹這種算法有着很多良好的特性，比如說訓練時間複雜度較低，預測的過程比較快速，模型容易展示（容易將得到的決策樹做成圖片展示出來）等。但是同時， 單決策樹又有一些不好的地方，比如說容易over-fitting，雖然有一些方法，如剪枝可以減少這種情況，但是還是不夠的。 模型組合（比如說有Boosting，Bagging等）與決策樹相關的算法比較多，這些算法最終的結果是生成N(可能會有幾百棵以

>>阅读原文<<