优点: 预测精度高 适合低维数据 能处理非线性数据 可以灵活处理各种类型的数据,包括连续值和离散值。 在相对少的调参时间情况下,预测的准备率也可以比较高。这个是相对SVM来说的。 使用一些健壮的损失函数,对异常值的鲁棒性非常强。比如 Huber损失函数和Quantile损失函数。 缺点: 由于弱学习器之间存在依赖关系,难以并行训练数据。不过可以通过自采样的SGBT来达到部分并行。 如果数据维度较高时会加大算法的计算复杂度