损失函数为平方损失时，回归提升树和GBDT有什么区别

回归提升树（Regression Boosted Trees）和梯度提升决策树（Gradient Boosting Decision Tree，GBDT）都是基于决策树的集成学习方法，其中损失函数为平方损失。

回归提升树采用的是前向分步算法，即每次迭代都在上一次迭代的基础上拟合一个新的回归树，并将其加入到模型中。回归提升树使用加权平均法汇总每个回归树的预测结果，对于回归问题，最终的预测结果是每棵回归树的预测结果的加权和。

GBDT也采用前向分步算法，但每次迭代不是直接拟合一个新的回归树，而是拟合当前模型的负梯度，即残差。GBDT使用加权平均法汇总每个回归树的预测结果，对于回归问题，最终的预测结果是每棵回归树的预测结果的加权和。

因此，回归提升树和GBDT的区别在于每次迭代的拟合对象不同。回归提升树每次拟合一个新的回归树，而GBDT每次拟合当前模型的残差。这意味着GBDT更加关注模型的残差，因此在残差较大的样本上表现更好。