对于gbdt的一些理解

看了很多版本的解释，最后确定的理解是。

相对于lr每次用sgd算法迭代时，每条样本用此条样本的梯度来迭代。

gbdt每次迭代，实际上是用所有样本数据的残差重新进行一次训练，得到一个弱分类器。

而这个弱分类器的具体训练方法，是通过对每条样本的损失函数计算梯度，得到每条样本的梯度dj。

再用每条样本的梯度来拟合一颗决策树。

之后再对每条样本都计算步长。

最后得到每条样本的步长和经过决策树拟合的梯度之乘积，就是一个新的弱分类器。

累加各个弱分类器，就得到了gbdt。