趋近智
梯度提升算法入门
章节 1: 集成学习与提升的基本原理
什么是集成方法？
Bagging 与 Boosting
提升（Boosting）原理介绍
AdaBoost算法：梯度提升算法的前身
了解弱学习器
集成学习中的偏差-方差权衡
章节 2: 梯度提升机 (GBM)
从提升到梯度提升
梯度与残差的作用
梯度提升机算法分步详解
回归任务的损失函数
分类任务的损失函数
动手实践：使用 Python 构建 GBM
章节 3: 使用 Scikit-Learn 实现梯度提升
Scikit-Learn的GradientBoostingClassifier
Scikit-Learn 的 GradientBoostingRegressor
梯度提升模型的拟合与预测
解读模型参数
GBM中的特征贡献度
偏依赖图用于模型解释
实战演练：构建预测模型
章节 4: 梯度提升进阶：XGBoost
为何选择XGBoost？速度与性能
相较于标准GBM的架构改进
XGBoost 中的正则化 (L1 和 L2)
自动处理缺失值
安装与设置XGBoost
XGBoost API：使用指南
动手实践：训练XGBoost模型
章节 5: 高级梯度提升：LightGBM与CatBoost
LightGBM 介绍：基于梯度的单边采样
LightGBM 的独占特征捆绑
CatBoost 简介：处理类别特征
CatBoost的有序提升和对称树
性能比较：XGBoost、LightGBM 与 CatBoost
动手实践：实现 LightGBM 和 CatBoost
章节 6: 超参数调整与模型优化
超参数调优的意义
梯度提升中的主要超参数
调整估计器数量和学习率
控制树的复杂度
正则化的抽样参数
调优的结构化方法
网格搜索与随机搜索的使用
动手实践：优化梯度提升模型
什么是集成方法？
这部分内容有帮助吗？
- Bagging predictors, Leo Breiman, 1996 Machine Learning, Vol. 24 (Kluwer Academic Publishers) DOI: 10.1007/BF00058655 - 介绍自举聚合（bagging）作为一种集成方法的奠基性论文，展示了其在降低方差和提高准确性方面的效果。
- A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting, Yoav Freund and Robert E. Schapire, 1997 Journal of Computer and System Sciences, Vol. 55 (Academic Press) DOI: 10.1006/jcss.1997.1504 - 介绍AdaBoost的原始学术论文，这是一种通过关注错分类实例来顺序构建模型以减少偏差的提升算法。
- The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, and Jerome Friedman, 2009 (Springer) - 一本全面的教科书，从统计角度阐述了集成方法，包括对bagging、boosting和偏差-方差权衡的讨论。
- Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006 (Springer) - 一本经典教科书，提供了机器学习的概率和统计处理，涵盖了集成方法及其基本原理。