随机森林：bagging思想，可以并行，训练集权值相同

                  可以是分类树，回归树

                  输出结果（分类树）：多数投票         （回归树）：均值

                  减少方差

                  对异常数据不敏感

GBDT：拟合损失函数

              boosting思想，只能串行，训练集权值不同

              以CART为基学习器

              只能是回归树

              输出结果：所有结果的累加或是加权累加

              减少偏差

              对异常数据敏感

 

            

boosting tree:         减少上一次的残差

                               将预测结果的差值作为新的训练数据 

                               损失函数为平方损失或者指数损失

gradient boosting：消除残差，在残差减少的梯度方向上建立新模型

                                将预测结果带入梯度中求出新的训练数据

                               各类损失函数

GBDT分类：指数损失函数，此时GBDT退化为Adaboost算法

                     对数似然损失函数，类别的预测概率值和真实概率值的差来拟合损失

GBDT回归：均方差损失函数

                     绝对损失

                     Huber损失

                      分位数损失

GBDT正则化：增加步长

                         采样比例