GBDT原理

样本编号	花萼长度(cm)	花萼宽度(cm)	花瓣长度(cm)	花瓣宽度	花的种类
1	5.1	3.5	1.4	0.2	山鸢尾
2	4.9	3.0	1.4	0.2	山鸢尾
3	7.0	3.2	4.7	1.4	杂色鸢尾
4	6.4	3.2	4.5	1.5	杂色鸢尾
5	6.3	3.3	6.0	2.5	维吉尼亚鸢尾
6	5.8	2.7	5.1	1.9	维吉尼亚鸢尾

6个样本的三分类问题：

（1）三维向量标志样本的label:

[1,0,0] 表示样本属于山鸢尾，

[0,1,0] 表示样本属于杂色鸢尾，

[0,0,1] 表示属于维吉尼亚鸢尾

(2) 对每一个类训练一个CART Tree 模型: 三个树相互独立

                                    山鸢尾类别训练一个 CART Tree 1。

杂色鸢尾训练一个 CART Tree 2 。

维吉尼亚鸢尾训练一个CART Tree 3

(3) 以样本1为例

针对CART Tree 1，训练样本是[5.1,3.5,1.4,0.2]，label 是 1，最终输入到模型当中的为[5.1,3.5,1.4,0.2,1]

针对CART Tree 2，训练样本是[5.1,3.5,1.4,0.2]，label 是 1，最终输入到模型当中的为[5.1,3.5,1.4,0.2,0]

针对CART Tree 3，训练样本是[5.1,3.5,1.4,0.2]，label 是 1，最终输入到模型当中的为[5.1,3.5,1.4,0.2,0]

（4）CART Tree1生成：哪个特征最合适？ 这个特征的什么特征值作为切分点？以CART Tree 1为例

1. 从这四个特征中找一个特征做为CART Tree1 的节点，遍历所有的可能值

                  1.1 第一个特征【长度】的第一个特征值【5.1cm】为例。

R1 为所有样本中花萼长度小于 5.1 cm 的样本集合，

R2 为所有样本当中花萼长度大于等于 5.1cm 的样本集合。

y1为R1样本的label均值：y1=1/1=1

y2为R2样本的label均值：y2=(1+0+0+0+0)/5=0.2

样本1属于R2的值为：（1-0.2）^2

样本2属于R1的值为：（1-1）^2

样本3属于R2的值为（0-0.2）^2

样本4属于R2的值为（0-0.2）^2

样本5属于R2的值为（0-0.2）^2

样本6属于R2的值为（0-0.2）^2

  CART Tree 1在第一个特征【长度】的第一个特征值【5.1cm】的损失值为：(1-0.2)^2+ (1-1)^2 + (0-0.2)^2+(0-0.2)^2+(0-0.2)^2 +(0-0.2)^2= 0.84

                        1.2 第一个特征【长度】的第二个特征值【4.9cm】计算，损失值为：2.244189

                        1.3 遍历所有特征的特征值，查找最小的特征及特征值，特征花萼长度,特征值为5.1 cm。这个时候损失函数最小为 0.8

      2. 预测函数

                    

R1 = {2},R2 = {1,3,4,5,6}，y1 = 1,y2 = 0.2

样本属于类别山鸢尾类别的预测值f1(x)=1+0.2∗5=2f1(x)=1+0.2∗5=2

同理我们可以得到对样本属于类别2,3的预测值f2(x)f2(x),f3(x)f3(x).样本属于类别1的概率 即为