随机森林、Boost和GBDT

随机森林

若干决策树组成，每一个决策树很小，只有问题属性中的一小个子集，然后将所以小的决策树组合起来，用投票法决定分类。

* 在数据集上表现良好

* 在当前的很多数据集上，相对其他算法有着很大的优势

* 它能够处理很高维度（feature很多）的数据，并且不用做特征选择（WHY？）

* 在训练完后，它能够给出哪些feature比较重要

* 在创建随机森林的时候，对generlization error使用的是无偏估计（WHY？）

* 训练速度快

* 在训练过程中，能够检测到feature间的互相影响（怎样给出？待研究）

* 容易做成并行化方法

* 实现比较简单

Boost

最初为每个样例赋予相同的权重，通过迭代的方式，对每一次分类错误的样例给予更高的权重。进行N次迭代，得到N个分类器，再将它们组合起来（加权或投票），最终得到结果

GBDT（Gradient Boost Decision Tree）

Boost的意思表示GBDT也需要迭代，每一次的计算是为了减少上一次的残差(residual)，而为了消除残差，我们可以在残差减少的梯度(Gradient)方向上建立一个新的模型。所以说，在Gradient Boost中，每个新的模型的简历是为了使得之前模型的残差往梯度方向减少，与传统Boost对正确、错误的样本进行加权有着很大的区别。

注：GBDT中的树，都是回归树，不是分类树。

（转）

GBDT的核心就在于，每一棵树学的是之前所有树结论和的残差，这个残差就是一个加预测值后能得真实值的累加量。比如A的真实年龄是18岁，但第一棵树的预测年龄是12岁，差了6岁，即残差为6岁。那么在第二棵树里我们把A的年龄设为6岁去学习，如果第二棵树真的能把A分到6岁的叶子节点，那累加两棵树的结论就是A的真实年龄；如果第二棵树的结论是5岁，则A仍然存在1岁的残差，第三棵树里A的年龄就变成1岁，继续学。这就是Gradient Boosting在GBDT中的意义。

残差向量就是全局最优方向，就是Gradient