回归提升树与adaboost回归树的区别

回归提升树（Gradient Boosting Regression Tree, GBRT）和 Adaboost 回归树都是基于决策树的提升算法，但它们有一些不同之处。

1. 算法思想不同

GBRT 通过按顺序训练多个决策树，每个决策树都是在前一个决策树的残差上进行训练的，以逐步减小残差，最终得到更加准确的预测结果。

而 Adaboost 回归树则是通过对样本进行加权，每次迭代都选择最优的弱分类器来更新权值，以逐步提高分类效果。

2. 损失函数不同

GBRT 采用的是平方损失函数，即将预测值与真实值的差的平方作为损失函数，以最小化残差的平方和。

而 Adaboost 回归树则采用指数损失函数，即将预测值与真实值的差作为损失函数，以最小化误差率。

3. 训练过程不同

GBRT 采用前向分步算法，每次迭代都会增加一个新的决策树来逐步减小残差，直到达到指定的迭代次数或者残差足够小，停止训练。

而 Adaboost 回归树则采用加权多数表决，每次迭代会增加一个新的弱分类器，同时对样本进行加权，最终将多个弱分类器的结果进行加权投票来得到最终结果。

总的来说，GBRT 更加适用于回归问题，而 Adaboost 回归树更适用于分类问题。但实际上，它们的差异并不是非常明显，具体使用哪种算法还需要根据具体问题来决定。