以下关于GBM和GBDT的理解来自经典论文[greedy function approximation: a gradient boosting machine]，by Jerome H.Friedman,(https://github.com/LouisScorpio/datamining/tree/master/papers)
论文的整体思路：
1.函数空间的数值优化
对算法中损失函数的数值优化不是在参数空间，而是在函数空间，数值优化方式为梯度下降；
2.GBM
以加法模型为基础，使用上述优化方法，构建一套通用梯度提升算法GBM；
3.不同损失类型的GBM
具体展现使用不同类型的损失时的GBM；
4.GBDT
以CART回归树为加法模型的弱分类器，构建算法模型即GBDT。
函数空间的数值优化
首先，考虑加法模型，即最终分类器是由多个弱分类器线性相加的结果，表示为以下形式：
(1)
其中，h(x;a)是弱分类器，是关于输入特征x的函数，a是函数的参数（如果h(x;a)为回归树，那么a就是回归树中用于分裂的特征、特征的分裂点以及树的叶子节点的分数），M是弱分类器的数量，为弱分类器的权重（在GBDT中相当于learning_rate，即起到shrinkage的作用）。
参数空间的数值优化
假设预测的目标函数为F(x; P)，其中P为参数，损失为L，那么损失函数表示为：
对应参数P的最优解表示为：
考虑使用梯度下降的优化方式，首先计算损失函数对参数P的梯度
:
然后，对参数P沿着负梯度方向即-方向更新，更新的步长为：
其中是在负梯度方向上更新参数的最优步长，通过以下方式线性搜索得到：
从初始值开始，经过多次这样的更新迭代之后，参数P的值最终为：
以上为参数空间的数值优化。
函数空间的数值优化
在函数空间，假设预测的目标函数为F(x)，损失为L，那么损失函数表示为：
注意，这里损失函数的参数不再是P，而是函数。
按照梯度下降的优化方式，这里要计算损失函数对函数F的梯度
:
然后对函数沿着负梯度方向更新，更新的步长如下：
其中是在负梯度方向上更新参数的最优步长，通过以下方式线性搜索得到：
经过多次迭代之后，最终的函数结果为：
GBM
考虑（1）中的加法模型形式，可以得到
假设损失为L，那么
根据函数空间的数值优化，应该对应于负梯度：
在模型训练时，负梯度是基于样本点进行的估计，为了提高泛化能力，一种可行的解决办法是让
去拟合负梯度
，由此得到：
拟合学习到的作为加法模型的弱学习器。加法模型的步长通过线性搜索的方式得到：
综上，GBM整个算法流程如下：
- 初始化：
- For m = 1 to M do:
3.- endFor
end Algorithm
