From 8b1ec74886eda2524129b4b2f8d0b028698059dd Mon Sep 17 00:00:00 2001
From: NLP-LOVE <52538954+NLP-LOVE@users.noreply.github.com>
Date: Tue, 9 Jul 2019 20:49:25 +0800
Subject: [PATCH] Update README.md

---
 Machine Learning/3.2 GBDT/README.md | 6 +++---
 1 file changed, 3 insertions(+), 3 deletions(-)

diff --git a/Machine Learning/3.2 GBDT/README.md b/Machine Learning/3.2 GBDT/README.md
index 2493910..32da4eb 100644
--- a/Machine Learning/3.2 GBDT/README.md	
+++ b/Machine Learning/3.2 GBDT/README.md	
@@ -8,7 +8,7 @@ Boosting方法训练基分类器时采用串行的方式，各个基分类器之
 
 Bagging与Boosting的串行训练方式不同，Bagging方法在训练过程中，各基分类器之间无强依赖，可以进行并行训练。
 
-### 1.2 GBDT原理
+### 1.2 GBDT原来是这么回事
 
 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，然后下一个弱分类器去拟合误差函数对预测值的残差(这个残差就是预测值与真实值之间的误差)。当然了，它里面的弱分类器的表现形式就是各棵树。
 
@@ -58,13 +58,13 @@ 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
 
 所以，GBDT需要将多棵树的得分累加得到最终的预测得分，且每一次迭代，都在现有树的基础上，增加一棵树去拟合前面树的预测结果与真实值之间的残差。
 
-### 2. 梯度提升和梯度下降的区别和联系是什么？ 
+## 2. 梯度提升和梯度下降的区别和联系是什么？ 
 
 下表是梯度提升算法和梯度下降算法的对比情况。可以发现，两者都是在每 一轮迭代中，利用损失函数相对于模型的负梯度方向的信息来对当前模型进行更 新，只不过在梯度下降中，模型是以参数化形式表示，从而模型的更新等价于参 数的更新。而在梯度提升中，模型并不需要进行参数化表示，而是直接定义在函 数空间中，从而大大扩展了可以使用的模型种类。
 
 ![](http://wx3.sinaimg.cn/mw690/00630Defgy1g4tdwhqzsdj30rp0afdho.jpg)
 
-### 3. **GBDT**的优点和局限性有哪些？ 
+## 3. **GBDT**的优点和局限性有哪些？ 
 
 ### 3.1 优点
 
-- 
GitLab