本文介绍了CART回归树的选择特征方法，基于平方误差最小化的策略进行数据切分。接着详细阐述了GBDT（Gradient Boosting Decision Tree）的工作原理，包括回归树、梯度迭代和Shrinkage的概念，并通过实例解释了GBDT如何通过多棵树的迭代来逐步逼近真实值，降低过拟合风险。
CART 分为回归树和决策树。这里重点讲讲回归树的特征选择。
回归树选择特征的方法是：平方误差最小化。
具体步骤为：
1）依次遍历每个特征j，以及该特征的每个取值s，计算每个切分点（j,s）的损失函数，选择损失函数最小的切分点。
其中c1,c2分别为R1,R2区间内的输出平均值。
2）使用上步得到的切分点将当前的输入空间划分为两个部分
3）然后将被划分后的两个部分再次计算切分点，依次类推，直到不能继续划分。
4）最后将输入空间划分为M个区域R1,R2,…,RM,生成的决策树为：
其中cm为所在区域的输出值的平均值
最低0.47元/天 解锁文章
扫一扫
637
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
