gbdt在回归方面的基本原理以及实例并且可以做分类

对书法的热爱，和编译器打数学公式很艰难，就这样的正例自己学过的东西，明天更新gbdt在分类方面的应用。

 

 

 结论，如果要用一个常量来预测y，用log(sum(y)/sum(1-y))是一个最佳的选择。

 

 

 

 

 

 

本人理解：多分类变成多个二分类，比如说当前类别A，训练集的标签为属于A的为1，其他为0，该值为连续值（概率），基于这所有的样本生成一棵树；结果为对类别A的预测值f(x)；然后B标签，C标签同理可得；然后通过softmax层处理下得到属于各个类别的概率值；这里每一轮迭代都会和类别数目相同的树；每一棵树针对一个类别进行学习并输出对应的分数，然后就n个类别的分数，经过softmax层变成概率值；