树模型：决策树、随机森林（RF）、AdaBoost、GBDT、XGBoost、LightGBM和CatBoost算法区别及联系

渣渣zheng

于 2022-08-01 18:22:43 发布

阅读量3.2k

点赞数 9

分类专栏：机器学习文章标签：机器学习决策树算法数据挖掘

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_50626322/article/details/126062509

版权

本文介绍了决策树、随机森林、AdaBoost、GBDT、XGBoost、LightGBM和CatBoost的发展历程与算法原理。通过对比，展示了不同模型在解决过拟合、提升性能方面的策略，强调了集成学习方法在中小规模数据集上的优势。各个模型各有特点，适用场景各异，选择时需结合实际问题进行验证。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、算法提出时间

1966年，决策树算法起源于E.B.Hunt等人提出。

1979年，Quinlan（罗斯.昆兰）提出了ID3算法，掀起了决策树研究的高潮，让决策树成为机器学习主流算法。

1993年，Quinlan（罗斯.昆兰）提出了C4.5算法。

1995年，Freund等人提出AdaBoost算法。

1999年，Friedman在其论文中最早提出GBDT。

2001年，Breiman提出随机森林算法。

2014 年 3 月，XGBOOST 最早作为研究项目，由陈天奇提

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。