首页梯度增强决策树gbdt

梯度增强决策树gbdt

时间: 2023-09-18 14:05:51 浏览: 124

gradient-boosted-decision-tree:GBDT（梯度增强决策树）

梯度提升决策树梯度提升决策树的python实现。该算法的核心部分仅使用numpy实现。参考梯度提升算法的详细信息目录要求使用方法（用法）实际示例（示例） MNIST分类（binary_classification）通过人工数据进行分类（二进制分类，回归问题）设置要求需要以下库来运行示例 numpy scikit-learn matplotlib pandas scipy 快速开始与Docker一起运行这是将docker和docker-compose预先安装在主机上的条件。首先使用docker-compose构建映像，然后使用守护程序启动容器。 docker-compose build docker-compose up -d 示例命令在容器内运行 # コンテナの内部に潜り込む docker exec -it gbdt-app bash # sample.py

梯度增强决策树(Gradient Boosting Decision Tree, GBDT)是一种集成学习算法，其中使用决策树作为基函数进行提升。在GBDT中，分类问题采用二叉分类树，回归问题采用二叉回归树。与AdaBoosting不同的是，GBDT集成的对象必须是CART回归树。迭代方式也不同，AdaBoosting利用上一轮错误率来更新下一轮分类器的权重，从而提升识别能力；而GBDT使用梯度来实现模型的提升，通过不断减小残差来拟合梯度，实现梯度的下降。梯度提升算法由梯度下降和Boosting两部分组成。常规的梯度下降是在参数空间进行，目的是得到最优的模型参数；而GBDT中的梯度下降是在函数空间进行，目的是得到最优的模型。123 #### 引用[.reference_title] - *1* *2* *3* [3. 梯度提升决策树（GBDT）详解](https://blog.csdn.net/gss123_123/article/details/124376348)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]

阅读全文