AdaBoost训练弱分类器关注的是那些被分错的样本，AdaBoost每一次训练都是为了减少错误分类的样本。而GBDT训练弱分类器关注的是残差，也就是上一个弱分类器的表现与完美答案之间的差距，GBDT每一次训练分类器，都是为了减少这个差距。
GBDT的原理就是所有弱分类器的结果相加等于预测值，然后下一个弱分类器去拟合误差函数对预测值的残差(这个残差就是预测值与真实值之间的误差)。当然了，它里面的弱分类器的表现形式就是各棵树。树只能为回归树。
实例：
- A: 14岁高一学生，购物较少，经常问学长问题，预测年龄A = 15 – 1 = 14
- B: 16岁高三学生，购物较少，经常被学弟问问题，预测年龄B = 15 + 1 = 16
- C: 24岁应届毕业生，购物较多，经常问师兄问题，预测年龄C = 25 – 1 = 24
- D: 26岁工作两年员工，购物较多，经常被师弟问问题，预测年龄D = 25 + 1 = 26
所以，GBDT需要将多棵树的得分累加得到最终的预测得分，且每一次迭代，都在现有树的基础上，增加一棵树去拟合前面树的预测结果与真实值之间的残差。
sklearn中GBDT的引入：
from sklearn.ensemble import GradientBoostingClassifier
# 全部参数
GradientBoostingClassifier(ccp_alpha=0.0, criterion='friedman_mse', init=None,
learning_rate=0.1, loss='deviance', max_depth=3,
max_features=None, max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=100,
n_iter_no_change=None, presort='deprecated',
random_state=None, subsample=1.0, tol=0.0001,
validation_fraction=0.1, verbose=0,
warm_start=False)
重要参数
loss
字符串类型，默认值’deviance’。用于指定损失函数：
‘deviance’：对数损失函数
‘exponential’：指数损失函数，只能用于二分类。
learning_rate
数值型，默认值0.1。用于指定学习率，调参方法：
给定 learning_rate 较小的值，例如0.1。
根据验证集准确率以10倍为单位增大或者减小参数值。
在找到合适的数量级后，在此数量级上微调。
合适的候选值：[0.001, 0.01, 0.1, 1]
subsample
数值型，默认值1。指定采样出 subsample * n_samples 个样本用于训练弱学习器。注意这里的子采样和随机森林不一样，随机森林使用的是放回抽样，而这里是不放回抽样。 取值在(0, 1)之间，设置为1表示使用所有数据训练弱学习器。如果取值小于1，则只有一部分样本会去做GBDT的决策树拟合。选择小于1的比例可以减少方差，即防止过拟合，但是会增加样本拟合的偏差，因此取值不能太低。
推荐的取值为：[0.5, 0.6, 0.7, 0.8, 0.9, 1]
n_estimators
数值型参数，默认值为100，此参数指定了弱分类器的个数。设置的值越大，精确度越好，但是当 n_estimators 大于特定值之后，带来的提升效果非常有限。
推荐的参数值为：[120, 300, 500, 800, 1200]
criterion
字符串类型，默认值为 ‘gini’。这个参数指定划分子树的评估标准：
‘entropy’，使用基于信息熵的方法，即计算信息增益
‘gini’，使用基尼系数（Gini Impurity）
**推荐设置为 ‘gini’，**因为（1）基尼系数的计算过程相对简单，而计算信息增益需要进行对数运算。（2）使用信息增益作为划分标准时，在使用高纬度数据或者噪声很多的数据时容易过拟合。
max_depth
数值型，默认值3。这是与剪枝相关的参数，设置为None时，树的节点会一直分裂，直到：（1）每个叶子都是“纯”的；（2）或者叶子中包含⼩于min_sanples_split个样本。
推荐从 max_depth = 3 尝试增加，观察是否应该继续加大深度。
合适的取值可以是 [3, 5, 8, 15, 25, 30, None]
如果max_leaf_nodes参数非None，则忽略此项
min_samples_leaf
数值型，默认值1，指定每个叶子结点包含的最少的样本数。参数的取值除了整数之外，还可以是浮点数，此时（min_samples_leaf * n_samples）向下取整后的整数是每个节点的最小样本数。
此参数设置的过小会导致过拟合，反之就会欠拟合。调整过程：
从min_samples_leaf=5开始上下调整。
对于类别不多的分类问题，设置为1通常是合理的选择。
当叶节点包含样本数量差异很大时，建议设置为浮点数。
推荐的取值可以是：[1, 2, 5, 10]
min_samples_split
数值型，默认值2，指定每个内部节点(非叶子节点)包含的最少的样本数。与min_samples_leaf这个参数类似，可以是整数也可以是浮点数。
推荐的取值是：[1, 2, 5, 10, 15, 100]
max_features
可以为整数、浮点、字符串，默认值为None。此参数用于限制分枝时考虑的特征个数，超过限制个数的特征都会被舍弃。
如果是整数，则每次切分只考虑max_features个特征。
如果是浮点数，每次切分只考虑max_features*n_features个特征(max_features指定百分⽐)。
如果是字符串‘auto’，则max_features等于n_features。
如果是字符串‘sqrt’，则max_features等于sqrt(n_features)。
如果是字符串‘log2’，则max_features等于log2(n_features)。
如果是字符串None，则max_features等于n_features。
推荐的取值为：[‘log2’, ‘sqrt’, None]
verbose
数值类型，默认值为0，表示不输出日志。如果为1，则每次迭代输出一次日志。如果大于1，则每间隔 verbose 此迭代输出一次日志。
重要属性
1，feature_importances_ ，给出了各个特征对模型的重要性。
2，estimators_，一个数组，给出了每个弱学习器。
重要方法
1，fit(X, y) : 训练模型。
2，predict(X) : 用模型预测，返回预测值。
3，predict_proba(X) : 返回一个数组，数组元素依次为各个样本属于各个类别的概率值。
4，score(X, y) : 返回在(X, y)上预测的准确率(accuracy)。
从sklearn引入GBDT回归：
from sklearn.ensemble import GradientBoostingRegressor
# 所有参数
GradientBoostingRegressor(alpha=0.9, ccp_alpha=0.0, criterion='friedman_mse',
init=None, learning_rate=0.1, loss='ls', max_depth=3,
max_features=None, max_leaf_nodes=None,
min_impurity_decrease=0.0, min_impurity_split=None,
min_samples_leaf=1, min_samples_split=2,
min_weight_fraction_leaf=0.0, n_estimators=100,
n_iter_no_change=None, presort='deprecated',
random_state=None, subsample=1.0, tol=0.0001,
validation_fraction=0.1, verbose=0, warm_start=False)
与GBDT分类树相比较，主要是下面的参数存在区别：
loss：
字符串类型，默认值为 ‘ls’，实际可选的有：
‘ls’：此时损失函数为平方损失函数，使用最小二乘回归。
‘lad’：此时使用指数绝对值损失函数。
‘huber’：此时损失函数为上述两者的综合，即误差较小时，采用平方损失，在误差较大时，采用绝对值损失。
‘quantile’：分位数回归(分位数指的是百分之几)，采用绝对值损失。
criterion：
字符串类型，默认值为 ‘friedman_mse’，是衡量回归效果的指标。可选的有：
‘friedman_mse’：改进型的均方误差
‘mse’：标准的均方误差
‘mae’：平均绝对误差
除了这两个参数之外，其他参数、属性、方法的含义与用法与上文提到的GBDT分类器的参数基本一致。