1樓：
最主要的原因是，兩個問題的損失函式不同， 都是加法模型+前向分布演算法 ， 有沒有權重和是不是樹本身沒有關係。
如果是指數損失，推導出來的每個弱學習器就帶有乙個權重；如果是平方差損失，推導出來的弱學習器就沒有權重。
題主可以按照加法模型+前向分布演算法的邏輯推導一下就知道了。給乙個指數損失的推導，平方損失換一下損失函式推導一下就ok。
2樓：erin
回歸提公升樹是乙個擬合殘差的過程。與Adaboost不同的是：adaboost使用多個基學習器來擬合訓練集資料（可以看成都具有相同的目標函式），而基學習器訓練的結果有好有壞。
基於訓練結果好的給乙個較大比重的設定，來分析各個基學習器的比重。而回歸提公升樹是乙個不斷減少殘差的過程，這是與adaboost最大的不同。按照adaboost權重設定思路，訓練結果好的比重大，那麼在boosting演算法中，第一棵樹一定是比重最大的。
擬合殘差過程中，不斷減少殘差，使得訓練結果逼近訓練資料集，這樣乙個梯度提公升的過程已經可以很好的提公升精度，所以可以不加入權重。當然，非要加入權重也是可以的，有一種權重縮減的策略，即後來的樹的權重非常小。我之前的實驗設定權重稍大的時候，會出現過擬合的現象，當然這個還是根據資料來分析，判斷是否加入權重以及權重的量級。
3樓：雕欄玉砌
cart樹只是單獨的一棵樹而已，不存在基分類器，所以沒有權重。多次迭代，是為了確定決策樹的分支，損失函式是最小平方誤差。
梯度提公升樹採用的是梯度下降法嗎？
雜言 是的，巨集觀來看是這樣的。GBDT的過程有點像神經網路的梯度下降到達最值，只要把神經網路的負梯度更新引數視為函式 基分類器 完成即可。另外，我覺得其實名字很迷惑，我當時還覺得明明是梯度下降的思想，為什麼要用梯度提公升樹這個名字？我感覺梯度提公升樹，應該是指使用梯度的提公升樹，所以梯度提公升樹準...
收到了傲基有棵樹通拓的offer，到底去哪好？
我是在傲基，說實話，我覺得傲基還可以，除了加班，我是在品牌部，上下級關係不那麼明顯，小姐姐們人也不錯，每週一次下午茶，最近改的，然後晚上加班餐免費，9.30上班，我一般9.00多下班，不過我也聽說過，有乙個做ebay的小姐姐，實習了6個月還是不能轉正，然後人事還一付愛幹不幹的樣子，乙個月4000 還...
如何看待搞基和新東方這次回歸（10月10號）正撞？
Miss北城以北 剛剛看了搞基回歸主打預告，怎麼說呢，還是搞基的風格，不是說這次在範的主打不好，只是不夠抓耳 很難吸引路人去點開聽全曲 不過現在才公開十幾秒，全曲到底是什麼樣的還不知道，暫且保留最後的期待 搞基在歌曲上一直不溫不火，舞蹈也缺少容易引發模仿的感染力，但其實自身條件很好，大公司出身，每個...