比较 Gradient Boosting 与 AdaBoost 的异同；

Gradient Boosting 和 AdaBoost 都是常用的集成学习算法。它们都是通过组合多个弱分类器来构建一个强分类器。下面是它们的异同点：

相同点：
- 都是基于Boosting思想的算法，通过加权组合多个弱分类器得到一个强分类器；
- 都可以用于分类和回归问题；
- 都可以用于处理二分类和多分类问题。

不同点：
- AdaBoost 是使用同一种算法迭代地产生弱分类器，而 Gradient Boosting 可以使用任意的分类器作为基础分类器；
- AdaBoost 在每次迭代中调整样本权重，使得分类器更关注之前分类错误的样本，而 Gradient Boosting 通过梯度下降方法来最小化损失函数；
- AdaBoost 是串行生成每个弱分类器，每个弱分类器的生成依赖于上一个弱分类器的分类效果，而 Gradient Boosting 是并行生成每个弱分类器，每个弱分类器之间是独立的。

总之，AdaBoost 和 Gradient Boosting 都是常用的集成学习算法，它们有着相似的思想，但是在具体实现上有所不同。在实际应用中，需要根据具体问题的需求来选择合适的算法。