sklearn-梯度提升树（GBDT）参数解释exclusive翻译
⼀、GBDT类库boosting框架参数鹿特丹大学
⾸先，我们来看boosting框架相关的重要参数。由于GradientBoostingClassifier和GradientBoostingRegressor的参数绝⼤部分相同，我们下⾯会⼀起来讲，不同点会单独指出。
口号英文
1) n_estimators: 也就是弱学习器的最⼤迭代次数，或者说最⼤的弱学习器的个数。⼀般来说n_estimators太⼩，容易⽋拟
nobler合，n_estimators太⼤，⼜容易过拟合，⼀般选择⼀个适中的数值。默认是100。在实际调参的过程中，我们常常将n_estimators和下⾯介绍的参数learning_rate⼀起考虑。
2) learning_rate: 即每个弱学习器的权重缩减系数?ν，也称作步长，在原理篇的正则化章节我们也讲到了，加上了正则化项，我们的强学习器的迭代公式为??(?)=??−1(?)+?ℎ?(?)fk(x)=fk−1(x)+νhk(x)。?ν的取值范围为0<?≤10<ν≤1。对于同样的训练集拟合效果，较⼩的?ν意味着我们需要更多的弱学习器的迭代次数。通常我们⽤步长和迭代最⼤次数⼀起来决定算法的拟合效果。所以这两个参数n_estimators和learning_rate要⼀起调参。⼀般来说，可以从⼀个⼩⼀点的?ν开始调参，默认是1。
高一英语作文 3) subsample: 即我们在原理篇的正则化章节讲到的⼦采样，取值为(0,1]。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。如果取值为1，则全部样本都使⽤，等于没有使⽤⼦采样。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。推荐在[0.5, 0.8]之间，默认是1.0，即不使⽤⼦采样。
4) init: 即我们的初始化的时候的弱学习器，拟合对应原理篇⾥⾯的?0(?)f0(x)，如果不输⼊，则⽤训练集样本来做样本集的初始化分类回归预测。否则⽤init参数提供的学习器做初始化分类回归预测。⼀般⽤在我们对数据有先验知识，或者之前做过⼀些拟合的时候，如果没有的话就不⽤管这个参数了。
5) loss: 即我们GBDT算法中的损失函数。分类模型和回归模型的损失函数是不⼀样的。四六级官网准考证打印入口官网
对于分类模型，有对数似然损失函数"deviance"和指数损失函数"exponential"两者输⼊选择。默认是对数似然损失函数"deviance"。在原理篇中对这些分类损失函数有详细的介绍。⼀般来说，推荐使⽤默认的"deviance"。它对⼆元分离和多元分类各⾃都有⽐较好的优化。⽽指数损失函数等于把我们带到了Adaboost算法。英语填空题
对于回归模型，有均⽅差"ls", 绝对损失"lad", Huber损失"huber"和分位数损失“quantile”。默认是均⽅差"ls"。⼀般来说，如果数据的噪⾳点不多，⽤默认的均⽅差"ls"⽐较好。如果是噪⾳点较多，则推荐⽤抗噪⾳的损失函数"huber"。⽽如果我们需要对训练集进⾏分段预测的时候，则采⽤“quantile”。
prc
6) alpha：这个参数只有GradientBoostingRegressor有，当我们使⽤Huber损失"huber"和分位数损失“quantile”时，需要指定分位数的值。默认是0.9，如果噪⾳点较多，可以适当降低这个分位数的值。
⼆、GBDT类库弱学习器参数
pdp
这⾥我们再对GBDT的类库弱学习器的重要参数做⼀个总结。由于GBDT使⽤了CART回归决策树，因此它的参数基本来源于决策树类，也就是说，和DecisionTreeClassifier和DecisionTreeRegressor的参数基本类似。
1) 划分时考虑的最⼤特征数max_features: 可以使⽤很多种类型的值，默认是"None"，意味着划分时考虑所有的特征数；如果是"log2"意味着划分时最多考虑2?log2N个特征；如果是"sqrt"或者"auto"意味着划分时最多考虑?‾‾√N个特征。如果是整数，代表考虑的特征绝对数。如果是浮点数，代表考虑特征百分⽐，即考虑（百分⽐xN）取整后的特征数。其中N为样本总特征数。⼀般来说，如果样本特征数不多，⽐如⼩于50，我们⽤默认的"None"就可以了，如果特征数⾮常多，我们可以灵活使⽤刚才描述的其他取值来控制划分时考虑的最⼤特征数，以控制决策树的⽣成时间。
2) 决策树最⼤深度max_depth: 默认可以不输⼊，如果不输⼊的话，默认值是3。⼀般来说，数据少或者特征少的时候可以不管这个值。如果模型样本量多，特征也多的情况下，推荐限制这个最⼤深度，
具体的取值取决于数据的分布。常⽤的可以取值10-100之间。
3) 内部节点再划分所需最⼩样本数min_samples_split: 这个值限制了⼦树继续划分的条件，如果某节点的样本数少于
min_samples_split，则不会继续再尝试选择最优特征来进⾏划分。 默认是2.如果样本量不⼤，不需要管这个值。如果样本量数量级⾮常⼤，则推荐增⼤这个值。
4) 叶⼦节点最少样本数min_samples_leaf: 这个值限制了叶⼦节点最少的样本数，如果某叶⼦节点数⽬⼩于样本数，则会和兄弟节点⼀起被剪枝。 默认是1，可以输⼊最少的样本数的整数，或者最少样本数占样本总数的百分⽐。如果样本量不⼤，不需要管这个值。如果样本量数量级⾮常⼤，则推荐增⼤这个值。
5）叶⼦节点最⼩的样本权重和min_weight_fraction_leaf：这个值限制了叶⼦节点所有样本权重和的最⼩值，如果⼩于这个值，则会和兄弟节点⼀起被剪枝。 默认是0，就是不考虑权重问题。⼀般来说，如果我们有较多样本有缺失值，或者分类树样本的分布类别偏差很⼤，就会引⼊样本权重，这时我们就要注意这个值了。
6) 最⼤叶⼦节点数max_leaf_nodes: 通过限制最⼤叶⼦节点数，可以防⽌过拟合，默认是"None”，
即不限制最⼤的叶⼦节点数。如果加了限制，算法会建⽴在最⼤叶⼦节点数内最优的决策树。如果特征不多，可以不考虑这个值，但是如果特征分成多的话，可以加以限制，具体的值可以通过交叉验证得到。
outdo 7) 节点划分最⼩不纯度min_impurity_split: 这个值限制了决策树的增长，如果某节点的不纯度(基于基尼系数，均⽅差)⼩于这个阈值，则该节点不再⽣成⼦节点。即为叶⼦节点 。⼀般不推荐改动默认值1e-7。
