集成学习有两大家族，Bagging家族与Boosting家族；相同家族的算法，思想有类似之处，例如Bagging家族主要并行思想，典型代表：随机森林；Boosting家族主要是串行思想，主要代表有AdaBoost，GBDT.
AdaBoost与GBDT虽都是Boosting家族，但是还是有一定的区别。先说常说的AdaBoost，它的思想是通过前一轮的弱学习器的误差率改变训练数据集的权重；GBDT是用前一轮的弱学习器的残差再去训练学习器。
此处主要讲解GBDT，注意GBDT中的弱学习器特指决策树，并且特指CART决策树。所以得先了解CART，主要看这里与辅看这里。对于GBDT原理部分主要看这里与这里。关于它的应用与调参数，看这里。
关于GBDT，它既可以回归，也可以分类。除了上面的知识，还得了解一些
