GBDT sample

GBDT（Gradient Boosting Decision Tree）是一种常用的机器学习算法，其核心思想是通过组合多个决策树来构建一个强大的预测模型。在GBDT模型中，样本的采样方式通常分为两种情况：有放回采样和无放回采样。

1. 有放回采样（Bagging）

有放回采样也称为Bagging（Bootstrap aggregating），其基本思想是从原始数据集中随机抽取若干个样本，然后以这些样本为基础，构建多个决策树模型，并将这些模型的预测结果进行平均或投票，得到最终的预测结果。

在GBDT模型中，有放回采样常用于进行特征子集采样，即从原始特征集中随机选择一部分特征，然后以这些特征为基础，构建多个决策树模型。

2. 无放回采样（Boosting）

无放回采样也称为Boosting，其基本思想是从原始数据集中选择一部分样本，然后以这些样本为基础，构建一个基础模型，然后根据模型的性能表现，重新调整样本的权重，再选择一部分样本，构建另一个基础模型，依此类推，直到构建多个基础模型，最终将这些模型的预测结果进行加权，得到最终的预测结果。

在GBDT模型中，无放回采样常用于进行样本加权，即根据模型的性能表现，重新调整样本的权重，然后重新选择样本，构建下一个基础模型。这种方式可以使模型更加关注那些难以预测的样本，从而提高模型的性能表现。