基函数为回归数:
T(x;Θ)=j=1∑JcjI(x∈Rj) 前向分步算法为:
fo(x)=0fm(x)=fm−1(x)+T(x;Θm),m=1,2,⋯,MfM(x)=m=1∑MT(x;Θm) 假设当前模型为fm−1(x),解得第m棵树的参数为:
Θ^margΘmmini=1∑NL(yi,fm−1(xi)+T(x;Θm)) 采用平方误差损失函数:
L(y,f(x))=(y−f(x))2 其损失变为:
L(y,fm−1(x)+T(x;Θm))=(y−fm−1(x)−T(x;Θm))2 当y−fm−1(x)=T(x;Θm)时,L最小。
y−fm−1(x)称为当前拟合数据的残差(residual)。
直观解释为:新的回归树只是简单地拟合当前模型的残差。