論文鏈接：

https://xueshu.baidu.com/usercenter/paper/show？paperid=ab7165108163edc94b30781e51819e0c

Abstract

Function approximation是從function space方面進行numerical optimization，其將stagewise additive expansions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。可以寫成如下形式：

通常的loss function有：

1. regression：均方誤差(y-F)^2，絕對誤差|y-F|

2. classification：negative binomial log-likelihood log(1+e^(-2yF))

一般情況下，我們會把F(x)看做是一系列帶參數的函數集合 F(x;P)，于是進一步將其表示為“additive”的形

總結

以上是生活随笔為你收集整理的论文解读 Greedy Function Approximation：A Gradient Boosting Machine的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。