GBDT算法的优缺点

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