决策树

f t ( x ) f_t(x) ft(x) ——> y t y_t yt ——> E ( 损 失 ) = y t ∗ C + ( 1 − y t ) ∗ C ∗ R E(损失)=y_t*C+(1-y_t)*C*R E()=ytC+(1yt)CR
C为成本 R 为利息
代入公式中
o b j = ∑ i = 0 n E ( 损 失 ) ∗ L ( y , y 预 测 ) obj=\sum_{i=0}^nE(损失)*L(y,y_{预测}) obj=i=0nE()L(y,y) +正则项

综述
adaboost和GBDT和XGBOOST的区别
http://www.voidcn.com/article/p-cxzhohiz-bnu.html
https://www.zhihu.com/question/54626685

boosting笔记
https://www.cnblogs.com/willnote/p/6801496.html

写的好的做笔记写下来,拍照上传,确定一个小主题

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值