Coursera台大机器学习技法课程笔记11-Gradient Boosted Decision Tree

将Adaboost和decision tree相结合，需要注意的地主是，训练时adaboost需要改变资料的权重，如何将有权重的资

料和decision tree相结合呢？方法很类似于前面讲过的bagging，通过采样资料来使资料获得不同的权重。

一棵完全的树的权值会无限大，可能出现过拟合。因此需要得到一棵弱分类的树，方法如下：

接下来比较深入的分析adaboost。经过代换，出现了如下惊人的结果： 某个资料的权重正比于投票分数

联系到之前学习的SVM，发现了一个秘密：投票的分数就是某个点到分隔线的距离（margin）。分数越高越好，就意味着u越小越好。在Adaboost过

程中，如果u的和越来越小，意味着margin越来越大，证明adaboost效果越好。

接下来这段没有听懂：大概是通过errADA作为上界，将zero-one做的更好。

下面是证明通过adaboost确实能做的更好。中间是一系列推导就不说了，直接上下图。这个推导是从另一方面解释Adaboost：为g赋权重的过程，实

际上就是优化的过程。

从上面可以看出，adaboost的过程，实际上就是选择最优的h，选择最优的步长n，不断对其进行优化的过程。将其推广到任意的err function，

任意的h，就得出了一种类似adaboost的方法：GradientBoost。

接下来将其用于regression，非常的理论。最后找到得到h的方法：对x,y-s做regression。

那么如何得到步长呢？最后得出如下形式：对余数和g做regression

最后是这个算法的过程：

下面是对aggregate的一个总结。对于blending(已经得到各种g)

对于learning（需要学习得到g并将其进行组合）：

将这些模型进行糅合：

选择合适的aggregation模型：

这位博主对RF和GDBT进行了比较：http://blog.csdn.net/wh137795233/article/details/47750151