Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
Phil_X
ml-nlp
提交
0a4b40c1
M
ml-nlp
项目概览
Phil_X
/
ml-nlp
与 Fork 源项目一致
从无法访问的项目Fork
通知
1
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
M
ml-nlp
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
体验新版 GitCode,发现更多精彩内容 >>
未验证
提交
0a4b40c1
编写于
7月 09, 2019
作者:
N
NLP-LOVE
提交者:
GitHub
7月 09, 2019
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
Update README.md
上级
825fefb1
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
2 addition
and
2 deletion
+2
-2
Machine Learning/3.2 GBDT/README.md
Machine Learning/3.2 GBDT/README.md
+2
-2
未找到文件。
Machine Learning/3.2 GBDT/README.md
浏览文件 @
0a4b40c1
...
...
@@ -24,11 +24,11 @@ GBDT的原理很简单,就是所有弱分类器的结果相加等于预测值
回归任务下,GBDT 在每一轮的迭代时对每个样本都会有一个预测值,此时的损失函数为均方差损失函数,
$$l(y_i,y^i)=
\f
rac{1}{2}(y_i-y^i)^2$$
![](
https://julyedu-img.oss-cn-beijing.aliyuncs.com/quesbase64155214962034944638.gif
)
那此时的负梯度是这样计算的
$$-[
\f
rac{
\p
artial l(y_i,y^i)}{
\p
artial y^i}]=(y_i-y^i)$$
![](
https://julyedu-img.oss-cn-beijing.aliyuncs.com/quesbase64155214962416670973.gif
)
所以,当损失函数选用均方损失函数是时,每一次拟合的值就是(真实值 - 当前模型预测的值),即残差。此时的变量是!
[](
https://julyedu-img.oss-cn-beijing.aliyuncs.com/quesbase64155214963633267938.gif
)
,即“当前预测模型的值”,也就是对它求负梯度。
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录