GBDT分类模型的主要参数，无放回采样比例

GBDT分类模型的主要参数包括：

1. 树的数量（n_estimators）：决定了最终模型中树的数量，一般越大模型性能越好，但是计算时间也会相应增加。

2. 树的最大深度（max_depth）：树的最大深度决定了树的复杂度，一般来说，深度越大，模型的拟合能力越强，但是也容易过拟合。

3. 叶子节点最小样本数（min_samples_leaf）：控制了树的叶子节点的样本数量，如果样本数量小于这个值，则不会再进行分裂。该参数可以控制模型的复杂度，避免过拟合。

4. 样本采样比例（subsample）：控制了每个树学习时使用的样本数量的比例。如果设置为1，则使用所有样本进行训练；如果设置小于1，则只使用一部分样本进行训练，这可以加速训练过程，同时也可以控制过拟合。

无放回采样比例指的是在训练过程中每棵树使用的样本采样比例，即每次从训练集中随机选取一部分样本进行训练，这样可以增加树与树之间的差异性，进而提高模型的泛化能力。常见的无放回采样比例为0.5，表示每次随机选取50%的样本用于训练。