本文主要是介绍2017.02.28回顾 gbdt预测值更新 np数组取反，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
1、对决策引擎做了一些审批阈值的调整
2、继续对GBDT进行研究，研究了预测值如何更新的问题，我当初简单以为是用叶子节点的样本平均值表示预测值，昨天仔细跟了代码，才知道是用叶子节点样本的残差和除以一个以残差、y为输入的式子，sum(residual)/sum((y-residual)*(1-y+residual))这个就是所谓的牛顿迭代法求解，这个值的数量级整体趋势为什么会越来越小？（这个是我问题最初的出发点）我还不能证明。我后来又研究了一点，以1、0定义的二分类问题，损失函数求梯度，恰好就是y-expit(F)，也就是代码中所谓的residual，这个残差就是梯度。所以建树是以friedman-mse的准则去建树，但是怎么计算预测值和loss有关，因为是loss求梯度，梯度在做个所谓的line search，衍生出的式子需要用牛顿迭代法求解。
3、了解了一个新的numpy array的用法
masked_terminal_regions = np.array([2,3,4,5])
sample_mask = np.array([True,True,True,True])
print masked_terminal_regions
print type(masked_terminal_regions)
masked_terminal_regions[~sample_mask] = -1
print masked_terminal_regions这篇关于2017.02.28回顾 gbdt预测值更新 np数组取反的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
