GBDT又叫梯度提升决策树，它也属于Boosting框架。GBDT核心原理如下：
如图所示，用GBDT预测年龄，第一轮，预测到年龄为20，它和真实值之间的残差为10，第二轮，GBDT开始预测上一轮的残差10，预测结果为6，这一轮 的残差为4，第三轮，以年龄4为预测目标，预测来的值为3，和真实值之间相差1，最后以残差1为预测目标，预测结果为1，此时残差为0，预测结束，最后把之前模型预测的结果全部相加，就得到预测的真实值为30岁
所以，GBDT的核心原理是先用初始值预测一颗决策树，得到本轮的残差，即真实值减预测值，然后用残差作为下一轮决策树的预测对象，这时会再产生一个残差，再用这个残差作为下一轮的预测对象，以此循环迭代直到最后一轮的预测残差为0或非常小的时候就停止迭代，然后把所有轮的模型预测结果相加得到最终预测结果，GBDT核心原理如下图所示
GBDT和AdaBoost的异同
相似之处：
都是基于Boosting思想的融合算法
默认的基分类器都是决策树
AdaBoost其实是GBDT的一个特例
不同之处：
AdaBoost的基分类器可以选择更多的算法，而GBDT只能选决策树
GBDT的模型提升方法与AdaBoost不同，AdaBoost是通过不断加强对错判数据的权重学习来提升模型的预测效果，而GBDT则是通过不断降低模型误差来（学习残差）的思想来提升模型的预测效果