GB與Boosting區別

GB算法與Boosting算法區別 Boosting算法：開始時給每個樣本附上權重的，在每次迭代的時候就會增加錯的樣本的權重，減少對的樣本的權重，經過N次迭代之後，會得到N個分類器，然後我們再將他們組合起來，得到最終模型。 GB算法：每一次迭代的目標都是減少上一次的殘差，所以在殘差減少的方向上建立一個新的模型。在GB算法框架上加入決策樹，就是GBDT（GradientBoost Decision

>>阅读原文<<