利用python实现GBDT算法的回归、二分类以及多分类，将算法流程详情进行展示解读并可视化，便于读者庖丁解牛地理解GBDT。
- 回归
- 二分类
- 多分类
- 可视化
算法原理以及公式推导请前往blog：GBDT算法原理以及实例理解
- 操作系统：Windows/Linux
- 编程语言：Python3
- Python库：pandas、PIL、pydotplus，
其中pydotplus库会自动调用Graphviz，所以需要去Graphviz官网下载
graphviz的-2.38.msi，先安装，再将安装目录下的bin添加到系统环境变量，此时如果再报错可以重启计算机。详细过程不再描述，网上很多解答。
- | - GBDT 主模块文件夹
- | --- gbdt.py 梯度提升算法主框架
- | --- decision_tree.py 单颗树生成，包括节点划分和叶子结点生成
- | --- loss_function.py 损失函数
- | --- tree_plot.py 树的可视化
- | - example.py 回归/二分类/多分类测试文件
-
回归测试：
python example.py --model = regression -
二分类测试：
python example.py --model = binary_cf -
多分类测试：
python example.py --model = multi_cf -
其他可配置参数：
lr-- 学习率,trees-- 构建的决策树数量即迭代次数,
depth-- 决策树的深度,count-- 决策树节点分裂的最小数据数量,is_log-- 是否打印树的生成过程,is_plot-- 是否可视化树的结构. -
结果文件： 运行后会生成
results文件夹,里面包含了每棵树的内部结构和生成日志
仅展示最后所有树的集合，具体每棵树的详细信息望读者自行运行代码~
