随着学习的积累从弱到强
简而言之：每新加入一个弱学习器，整体能力就会得到提升
代表算法：Adaboost，GBDT，XGBoost
1.2 实现过程：1.训练第一个学习器
2.调整数据分布
3.训练第二个学习器
4.再次调整数据分布
5.依次训练学习器，调整数据分布
6.整体过程实现
关键点：
如何确认投票权重？
如何调整数据分布？
AdaBoost的构造过程小结
bagging集成与boosting集成的区别：
区别一:数据方面
Bagging：对数据进行采样训练； 【重新采样】
Boosting：根据前一轮学习结果调整数据的重要性。 【对数据进行权重调整】
区别二:投票方面
Bagging：所有学习器平权投票； 【平权】
Boosting：对学习器进行加权投票。 【加权】
区别三:学习顺序
Bagging的学习是并行的，每个学习器没有依赖关系； 【并行】
Boosting学习是串行，学习有先后顺序。 【串行】
区别四:主要作用
Bagging主要用于提高泛化性能（解决过拟合，也可以说降低方差） 【过拟合】
Boosting主要用于提高训练精度 （解决欠拟合，也可以说降低偏差） 【欠拟合】
- from sklearn.ensemble import AdaBoostClassifier
- api链接:https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.AdaBoostClassifier.html#sklearn.ensemble.AdaBoostClassifier
梯度提升决策树(GBDT Gradient Boosting Decision Tree) 是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就被认为是泛化能力（generalization)较强的算法。近些年更因为被用于搜索排序的机器学习模型而引起大家关注。
GBDT = 梯度下降 + Boosting + 决策树
2.1 梯度的概念
如果上式中的hi(x)=决策树模型,则上式就变为:
GBDT = 梯度下降 + Boosting + 决策树
2.3 案例预测编号5的身高:
编号年龄(岁)体重(KG)身高(M)15201.127301.3321701.7430601.852565?第一步:计算损失函数,并求出第一个预测值:
【损失函数中使用的是最小二乘法，此公式中乘以一个常数是不受影响的，这儿乘以1/2是为了和求导的2约掉；m为数据的个数】
第二步:求解划分点
【重构目标值时是用误差值来替换掉的】【划分点：如以5为划分点，小于5的有0个，大于5的有4个，编号为1，2，3，4】【其中计算时的0.275是目标值的绝对值的平均值】
得出:年龄21为划分点的方差=0.01+0.0025=0.0125
第三步:通过调整后目标值,求解得出h1(x)
【其实这儿的y‘即为平均值】
第四步:求解h2(x)
… …
得出结果:
编号5身高 = 1.475 + 0.03 + 0.275 = 1.78
【一直迭代容易出现过拟合】
2.4 GBDT主要执行思想1.使用梯度下降法优化代价函数；
2.使用一层决策树作为弱学习器，负梯度作为目标值；
3.利用boosting思想进行集成。
3.XGBoostXGBoost= 二阶泰勒展开+boosting+决策树+正则化
- 面试题：了解XGBoost么，请详细说说它的原理
回答要点：二阶泰勒展开，boosting，决策树，正则化
Boosting：XGBoost使用Boosting提升思想对多个弱学习器进行迭代式学习
二阶泰勒展开：每一轮学习中，XGBoost对损失函数进行二阶泰勒展开，使用一阶和二阶梯度进行优化。
决策树：在每一轮学习中，XGBoost使用决策树算法作为弱学习进行优化。
正则化：在优化过程中XGBoost为防止过拟合，在损失函数中加入惩罚项，限制决策树的叶子节点个数以及决策树叶子节点的值。
4 什么是泰勒展开式
泰勒展开越多，计算结果越精确
