博主分享了自己解读sklearn中GBDT代码的进展和挑战，强调了面对困难的决心。文章概述了源码的主要流程，包括数据检查、参数处理、迭代训练阶段以及损失函数的计算。在_fitting_stages过程中，博主发现核心部分是逐次建立决策树并利用残差进行预测。由于涉及Cython代码，理解起来有一定难度，但博主表示会继续深入研究。
这周已经过去了3天，主要精力都是集中在sklearn的gbdt代码解读上，进展肯定是有，但是感觉阻力比较大，但是这又有什么办法呢？人一能之，我十之！但是感觉有时候多花时间的情况下效率很低很低，但是可能也是自己内心浮躁，想回去玩造成了这种效率低下，要看这个算法，只有不到黄河心不死的决心，即便我被迫需要先应用再解读，我也一定要花时间去解读，一定要精通这个算法，排除万难！把前几天关于gbdt的解读再总结一下！
gbdt = GradientBoostingClassifier()gbdt.fit(x,y)首先进行一些检测是否热启动，检测数据集是否规范，检查因变量是否合格，检查参数是否合规
self._init_state()self.init_.fit(X, y, sample_weight)y_pred = self.init_.predict(X) n_stages = self._fit_stages(X, y, y_pred, sample_weight, random_state,
扫一扫
6951
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
