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
偏依赖图用于模型解释
这部分内容有帮助吗？
- Interpretable Machine Learning: A Guide for Making Black Box Models Explainable, Christoph Molnar, 2024 - 提供了对部分依赖图的全面解释，包括其计算、解释、局限性以及与个体条件期望（ICE）图的关系。
- sklearn.inspection.PartialDependenceDisplay, scikit-learn developers, 2023 - Scikit-learn 中生成部分依赖图的官方文档，详细说明了其与
from_estimator的用法。 - The Elements of Statistical Learning: Data Mining, Inference, and Prediction, Trevor Hastie, Robert Tibshirani, and Jerome Friedman, 2009 (Springer) DOI: 10.1007/978-0-387-84858-7 - 一本基础教材，介绍了部分依赖图作为模型解释技术，并为梯度提升机提供了理论基础。