我知道GBtree 使用决策树进行分类和回归，
但是我们如何使用gblinear 来解决分类问题呢？它不是给我们一个连续的预测吗？
我想我对 xgboost 中的参数 “boosters” 和“目标函数”感到困惑。
与 GBLinear 相比，GBtree 能给我们带来什么？
“Objective Function”与“Booster”有什么区别 在 xgboost 中？
【问题讨论】：
标签： machine-learning linear-regression decision-tree xgboost
GBLinear 提供“线性”建模来解决您的问题。线性
回归是一个线性模型，可以预测一个连续值
提及。但是还有其他线性模型，例如 Logistic
预测 0 到 1 之间的值（或
分类问题）。因此，如果您使用 GBLinear 的助推器
类型，你应该使用binary:logistic目标函数。 GBtree 为您的问题提供决策树建模。Objective function 是您尝试最小化的函数（它不会
与模型直接相关）。大多数情况下，目标函数定义
某种错误。例如，在Linear Regression 中，您有一个
如下所示的启发式：Hw = w0 + w1*x1 + w2*x2 + ... +
wn*xn（这种启发式实际上是一种建模你的
问题）。其中“Objective”也称为“Cost”函数，
与此类似：COST = (Hw - y_pred)^2。你的目标是
找到w0, ..., wn，这将最大限度地减少该错误，因此您将得到
一个“适合”“解决”您的问题的“模型”。
GBtree / GBlinear 是模型。一种为您的问题建模的方法。该模型 如果不“调整”他的“权重”，那将一文不值。带着“目标” 函数，你“调整”你的“权重”。
【讨论】：