機器學習——從Adaboost，Gradient Boost到XGBoost

前言 機器學習中用數據訓練模型的目標： 最小化目標函數 目標函數通常可以分爲兩部分： （1）損失函數（經驗風險）：與訓練任務有關，度量模型預測值與真值之間的差異，最小化用於選擇與訓練數據匹配最好的模型： 迴歸：與殘差相關的函數，包括MSE（L2損失），MAE（L1損失），Huber Loss，平滑的MSE等； 分類：與分類是否正確（或分類正確的概率）有關的的函數：0-1損失，負對數似然損失，Hin

>>阅读原文<<