RF(随机森林)，GBDT，XGBoost之间的区别与联系

从 https://blog.csdn.net/kaxiaokui/article/details/106474603 摘抄

RF(随机森林)，GBDT
相同点：

1.都是由多棵树组成，最终的结果都是由多棵树一起决定。
2.RF和GBDT在使用CART树时，可以是分类树或者回归树。

不同点：

1.组成随机森林的树可以并行生成，而GBDT是串行生成
2.随机森林的结果是多数表决表决的，而GBDT则是多棵树累加之和
3.随机森林对异常值不敏感，而GBDT对异常值比较敏感
4.随机森林是减少模型的方差，而GBDT是减少模型的偏差
5.随机森林不需要进行特征归一化。而GBDT则需要进行特征归一化

GBDT与xgboost的区别

xgboost是在GBDT的基础上发展而来的。
其相对GBDT而言，速度更高，效率更快。
xgboost相对于GBDT的优化具体表现在：
1.对缺失值的处理：GBDT是手动填充缺失值，而xgboost可以通过对缺失值的特殊处理，忽略缺失值对模型的影响。具体表现在：先不处理缺失的样本，采用有值的样本搞出分裂点，在遍历分裂点时，尝试将缺失值划入左子树或右子树，选择损失最优的情况。
2.xgboost引入了衰减因子（相当于加了一个学习率），因此可以减少加进来的树对原模型的影响，树的数量也会更多
3.在GBDT的基础上加了正则项，进一步约束了树的子节点的权重。
4.增加了随机森林常用的col subample策略，使用二阶泰勒展开去拟合损失函数，加快了优化的效率。
5.使用估计分裂点算法，不需要遍历所有的分裂点，提高了效率。

也就说RF不需要归一化。GBDT与xgboost需要归一化。