可生成图片类型（推荐）
可生成数据表类型（推荐）
 | |
| 节点状态 | PC可用
在 V1.0部署
|
|---|---|
梯度提升树  | |
| 节点开发者 | 决策链算法研发部 (Dev.Team-DPS) |
| 节点英文名 | 梯度提升树 |
| 功能主类别 | 机器学习 |
| 英文缩写 | 梯度提升树 |
| 功能亚类别 | 分类训练器 |
| 节点类型 | 数据挖掘 |
| 开发语言 | Python |
| 节点简介 | |
梯度提升树（Gradient Boosting Tree）是一种集成学习算法，通过迭代地训练弱学习器（通常是决策树），并将它们组合成一个强大的预测模型。与其他集成学习方法（如随机森林）不同，梯度提升树是通过优化损失函数的梯度来逐步改进模型的。 | |
| 端口数量与逻辑控制(PC) | |
| Input-入口 | 2个 |
| Output-出口 | 3个 |
| Loop-支持循环 | 否 |
| If/Switch-支持逻辑判断 | 否 |
| 输入输出 | |
| 相关节点 | |
| 上一节点 | 支持向量机 |
| 下一节点 | AdaBoost |
[math]f_{\left.X\right|^{Y}}\left(x \mid C_{1}\right)=f_{X 1 X|Y| Y}\left(x_{1}, x_{2} \mid C_{1}\right)=f_{X \mid Y}\left(x_{1} \mid C_{1}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{1}\right)[/math]
[math]\left\{\begin{array}{l}f_{X 1, X \mid Y}\left(x_{1}, x_{2} \mid C_{2}\right)=f_{X \mid Y}\left(x_{1} \mid C_{2}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{2}\right) \\ f_{X 1, X \mid Y}\left(x_{1}, x_{2} \mid C_{3}\right)=f_{X|Y|}\left(x_{1} \mid C_{3}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{3}\right)\end{array}\right.[/math]
查找其他类别的节点，请参考以下列表
列表
数据处理节点
数据输入
变量处理
行列处理
矩阵处理
表格处理
列表
数据分析节点
描述性统计
统计检验
方差分析
相关分析
回归分析
Lasso回归 二项式Lasso回归 泊松Lasso回归 生存状态Lasso回归 高斯PLS回归Ridge回归 二项式Ridge回归 泊松Ridge回归 生存状态Ridge回归 高斯分位回归多分类逻辑回归多项式回归广义估计方程 伽玛广义估计方程 泊松广义估计方程 负二项广义估计方程 逻辑广义估计方程 高斯广义相加模型 伽玛广义相加模型 泊松广义相加模型 负二项广义相加模型 逻辑广义相加模型 高斯广义相加混合模型 伽玛广义相加混合模型 泊松广义相加混合模型 负二项广义相加混合模型 逻辑广义相加混合模型 高斯广义线性回归 伽玛广义线性回归 泊松广义线性回归 负二项广义线性回归 逆概率加权联合标准差稳健线性回归线性回归逐步回归逻辑回归
时序分析
潜变量分析
生存分析
多元分析
综合分析
列表
机器学习节点
列表
AI和神经网络
环境检测
