一. GBDT的經典paper：《Greedy Function Approximation：A Gradient Boosting Machine》
Abstract
Function approximation是從function space方面進行numerical optimization，其將stagewise additive expamsions和steepest-descent minimization結合起來。而由此而來的Gradient Boosting Decision Tree（GBDT）可以適用于regression和classification，都具有完整的，魯棒性高，解釋性好的優(yōu)點。
1. Function estimation
在機器學習的任務中，我們一般面對的問題是構造loss function，并求解其最小值?？梢詫懗扇缦滦问剑?/p>
通常的loss function有：
1. regression：均方誤差(y-F)2，絕對誤差|y-F|
延伸閱讀
- ssh框架 2016-09-30
- 阿里移動安全 [無線安全]玩轉無線電——不安全的藍牙鎖 2017-07-26
- 消息隊列NetMQ 原理分析4-Socket、Session、Option和Pipe 2024-03-26
- Selective Search for Object Recognition 論文筆記【圖片目標分割】 2017-07-26
- 詞向量-LRWE模型-更好地識別反義詞同義詞 2017-07-26
- 從棧不平衡問題 理解 calling convention 2017-07-26
- php imagemagick 處理 圖片剪切、壓縮、合并、插入文本、背景色透明 2017-07-26
- Swift實現JSON轉Model - HandyJSON使用講解 2017-07-26
- 阿里移動安全 Android端惡意鎖屏勒索應用分析 2017-07-26
- 集合結合數據結構來看看(二) 2017-07-26
學習是年輕人改變自己的最好方式