DLShark

摘要： 一、前置知识 ​ 真阳性(TPR)：正样本被正确分类个数与所有正样本的总数的比值 \[TPR = \frac{TP}{TP+FN} \]​ 假阳性(FPR)：负样本被错误分类个数与所有负样本的总数的比值 \[FPR=\frac{FN}{FN+TN} \]​ 其中，TP表示正确分类的正样本，TN表示正 阅读全文

摘要： 一、基本内容 提升树的分类 - 二分类问题 回归问题 模型 Adaboost的特例，每个弱分类器的高度为2，并且权重为1 损失函数 指数损失函数 平方误差损失函数 优化方式 通过经验风险最小化拟合新的弱分类器 通过残差拟合新的弱分类器 ​ 针对不同的问题，不同的损失函数有不同的优化方式，GBDT提出 阅读全文