第二个弱学习器的预测值由来解释说明

预测值，是第2个弱学习器（CART回归树）的输出结果，我们来一步步拆解它的计算逻辑：

1. 回顾第2个弱学习器的输出

在上一轮构建第2个弱学习器时，我们找到了最优切分点 3.5，并把样本分成了两组：

• 左子树（x ≤ 3.5）：包含样本1、2、3，对应的第2轮目标值（残差）是 -0.68, -0.54, -0.33。
  子树的输出值是这三个残差的均值：
  $$\frac{-0.68+(-0.54)+(-0.33)}{3}=\frac{-1.55}{3}\approx -0.52$$
• 右子树（x > 3.5）：包含样本4到10，对应的第2轮目标值是 0.16, 0.56, 0.81, -0.01, -0.21, 0.09, 0.14。
  子树的输出值是这七个残差的均值：
  $$\frac{0.16+0.56+0.81-0.01-0.21+0.09+0.14}{7}=\frac{1.54}{7}=0.22$$

2. 对应到第3轮表格里的预测值

第3轮表格里的“预测值”，就是第2个弱学习器对每个样本的输出：

• 样本1、2、3（x ≤ 3.5）→ 左子树输出 -0.52
• 样本4到10（x > 3.5）→ 右子树输出 0.22

这就是表格里预测值列 -0.52, -0.52, -0.52, 0.22, ..., 0.22 的来源。

3. 为什么用均值？

CART回归树的叶节点输出，是该节点内所有样本目标值的均值。这是因为在平方损失下，均值能让该节点内的平方误差最小，是最优的输出值。