梯度提升决策树 最新回归算法‘’

梯度提升决策树（Gradient Boosting Decision Tree，GBDT）是一种基于决策树的迭代集成学习算法，可以用于分类和回归问题。最新的回归算法可以结合GBDT进行改进，例如：

1. LightGBM：LightGBM是一种基于GBDT算法的高效、快速的梯度提升框架，支持分类和回归任务。LightGBM使用了基于直方图的算法和高效的数据并行处理技术，大大提高了训练和预测的效率。

2. XGBoost：XGBoost是一种高效的、可扩展的机器学习模型，属于GBDT家族的算法。XGBoost具有高效性、精度高、可扩展性好和可解释性强等优点，可以处理复杂的非线性问题，并且不容易过拟合。

3. CatBoost：CatBoost是一种基于GBDT算法的开源机器学习框架，支持分类和回归任务。CatBoost具有高效性、精度高、鲁棒性好和可解释性强等优点，可以处理高维度、稀疏数据集，并且自带特征缩放和类别特征编码等功能。

4. NGBoost：NGBoost是一种基于贝叶斯方法的梯度提升框架，支持分类、回归和生存分析任务。NGBoost使用了基于正态分布的预测分布，可以提供更准确的置信区间估计和不确定性分析。

以上是目前基于GBDT算法的一些最新回归算法，它们都具有高效、精度高、可扩展性好等优点，可以用于处理各种复杂的数据集和问题。需要根据实际情况选择合适的算法，并进行参数调优和特征工程，以获得更好的性能。