本文详细解答了GBDT在面试中常见的问题，包括GBDT的算法流程、特征选择、分类方法、误差减少方式以及与LR、SVM的对比。此外，还探讨了GBDT的加速训练策略、参数调优步骤、实战问题和优缺点，并介绍了正则化方法。
题目和答案来自于网络，相关链接已贴。
春招不易，且学且珍惜～
Q1：GBDT的算法流程？
A：GBDT是通过采用加法模型（基函数的线性组合），不断减小训练过程产生的残差来达到将数据分类或者回归的算法。针对一般损失函数优化困难问题，利用损失函数的负梯度在当前模型的值作为残差的近似值进行求解。
Q2：GBDT如何选择特征？(CART Tree中的特征选择方法）
A：遍历每个特征，然后对每个特征遍历它所有可能的切分点，找到最优特征m的最优切分点j
Q3：GBDT如何构建特征？
A：将样本输入到GBDT生成的树中，所有树的叶子结点可以构建一个向量，输入样本可以获得一个关于叶子结点的0-1向量，将这个向量作为该样本的组合特征，和原来的特征一起输入到逻辑回归当中训练（CTR中GBDT+LR)
Q4：GBDT 如何用于分类？
A：针对样本x每个可能的类都训练一个分类回归树，即每轮的训练都是同时训练k棵树，使用softmax来产生概率。
Q1~Q4 source: http://www.cnblogs.com/ModifyRong/p/7744987.html#FeedBack
Q5：GBDT通过什么方式减少误差？
A：每棵树都是在拟合当前模型的预测值和真实值之间的误差，GBDT是通过不断迭代来使得误差见小的过程。
Q6：GBDT的效果相
最低0.47元/天 解锁文章
扫一扫
2027
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
