GBDT算法及其应用.pptVIP

第三部分：GBDT应用 GBDT+LR GBDT的思想使其具有天然优势，可以发现多种有区分性的特征以及特征组合，决策树的路径可以直接作为LR输入特征使用，省去了人工寻找特征、特征组合的步骤。 第三部分：GBDT应用 由于树的每条路径，是通过最小化均方差等方法最终分割出来的有区分性路径，根据该路径得到的特征、特征组合都相对有区分性，效果理论上不会亚于人工经验的处理方式。 第三部分：GBDT应用 实验 Kaggle比赛:Display Advertising Challenge 详细介绍：/c/criteo-display-ad-challenge 实验过程：(比赛第一名：GBDT+FM) 参考：/guestwalk/kaggle-2014-criteo （Xgboost：/dmlc/xgboost） 实验结果：尚未完成，报告加上 第四部分：总结 总结 展望 References 《统计学习方法》 Friedman J H. Greedy function approximation: a gradient boosting machine[J]. Annals of statistics, 2001: 1189-1232. Friedman J H. Stochastic gradient boosting[J]. Computational St