模型的基本原理不在赘述，仅结合scikit-learn中gbdt的实现，理清思路。

1 流程图

gbdt实现流程图.png

1.1 总体迭代过程

_fit_stage.png

2 损失函数

2.1 GradientBoostingRegressor的损失函数

sklearn中实现了四种目标函数：LeastSquaresError，LeastAbsoluteError，HuberLossFunction，QuantileLossFunction。本人只使用过LeastSquaresError，LeastAbsoluteError这两种，因此仅对这两种目标函数展开理解。

• LeastSquaresError
  最小均方误差函数，形式为：
  
  均方误差损失函数.png
  
  其对应的负梯度为：
  
  均方误差损失函数-负梯度.png
  
  代码中的体现为：

image.png

• LeastAbsoluteError
  最小绝对值误差函数：形式为：

最小绝对值误差损失函数.png

image.png

2.2 GradientBoostingClassifier的损失函数

sklearn中实现了两种目标函数：Deviance（二分类问题BinomialDeviance和多分类问题MultinomialDeviance），ExponentialLoss。

• BinomialDeviance损失函数为：

image.png

负梯度

image.png

代码中的体现

binomialDeviance.png

• ExponentialLoss 损失函数为：

ExponentialLoss 损失函数.png

负梯度

image.png

代码中的体现

image.png

实际上以上两种损失函数都是偏差最小化损失函数，其一般化公式为：

image.png

值得注意的是，在Friedman的论文Greedy Function Approximation A Gradient Boosting Machine 中，描述的目标函数为

negative binomial log-likelihood-Friedman损失函数.png

image.png

2.3 单棵回归树

在总体迭代过程一节我们已经看到，每次迭代都会建立一个回归树去拟合负梯度向量，与建树相关的点有：

• 损失函数
  均方差损失函数

• 节点分裂原则：

  
  
  节点分裂原则.png
  
  

  通常使用的是friedman_mse原则，公式为Greedy Function Approximation: A Gradient Boosting Machine论文中的(35)式:

  
  
  friedman_mse.png
• 叶子节点的值
  叶子节点的值为分到该叶子节点的所有样本对应的输出yi的平均值。

Refs

• Generalized Boosted Models: A guide to the gbm package
• Greedy Function Approximation: A Gradient Boosting Machine
• Additive Logistic Regression a Statistical View of Boosting.pdf