1GBDT和LR融合
LR模型是线性的，处理能力有限，所以要想处理大规模问题，需要大量人力进行特征工程，组合相似的特征，例如user和Ad维度的特征进行组合。
GDBT天然适合做特征提取，因为GBDT由回归树组成所以， 每棵回归树就是天然的有区分性的特征及组合特征，然后给LR模型训练，提高点击率预估模型（很多公司技术发展应用过，本人认为dnn才是趋势）。
例如，输入样本x，GBDT模型得到两颗树tree1和tree2，遍历两颗树，每个叶子节点都是LR模型的一个维度特征，在求和每个叶子*权重及时LR模型的分类结果。
2广告长尾性
1）gbdt和随机森林rf的对比：
rf主要选择对大多数样本有区分度的特征；gbdt的过程，前面树针对大多数样本有区分 ，后面树针对残差依然较大的样本，即针少数的对长尾样本。更适合ctr模型预估。
2）针对广告的长尾性，广告id这个特征就很重要，比如：某少量长尾用户就喜欢点某类广告主的广告。
方案：分别针对ID类和非ID类建树，ID类树：用于发现曝光充分的ID对应的有区分性的特征及组合特征；非ID类树：用于曝光较少的广告。
3gbdt得到的特征维度
维度会降低，总维度是所有叶子节点数之和。
4gdbt模型原理
1）BT回归树
年龄预测：简单起见训练集只有4个人，A,B,C,D，他们的年龄分别是14,16,24,26。其中A、B分别是高一和高三学生；C,D分别是应届毕业生和工作两年的员工。
1BT回归树：显然容易过拟合，特征太细了，只要叶子允许够多可以达到百分百的准确率，但性能并不好。
2）GDBT模型
（1）最小化均方误差特，确定特征：购物金额的分割点：
（2）计算残差=预测值-真实值，真实值是叶子节点均值，特征：百度知道提问：
（3）残差为0，停止迭代，输出预测结果，真实值=初始值+残差之和
A: 14岁高一学生，购物较少，经常问学长问题；预测年龄A = 15 – 1 = 14
B: 16岁高三学生；购物较少，经常被学弟问问题；预测年龄B = 15 + 1 = 16
C: 24岁应届毕业生；购物较多，经常问师兄问题；预测年龄C = 25 – 1 = 24
D: 26岁工作两年员工；购物较多，经常被师弟问问题；预测年龄D = 25 + 1 = 26
5 GDBT和Adaboost公式算法层级的解释
Ada boost是根据分错的样本
GDBT是拟合梯度（残差）
（1）梯度下降和梯度提升的区别联系
梯度下降：参数＝迭代的增量累加和，特征维度
梯度提升：参数＝迭代的函数增量累加和，分类器（回归树or罗辑回归）维度
所以boosting就是一个加法模型
（2） gradient boosting tree （Gradient Boosting = Gradient Descent + Boosting）
目标函数：
梯度：对分类器求导数
eg：
1 m个样本集：
，label改写为残差
（残差就是目标函数最小化1/2*
的梯度）
，label改写为残差（残差就是目标函数最小化1/2*的梯度） 2 训练，相当于回归树拟合梯度，最后模型一个函数加法模型
（3） Adaboost
CART回归树分类器对样本训练分类，等到分类器误差
1根据分类器误差计算每个分类器对权重
2根据分类器误差计算每个样本的权重
输出加法模型，累加每个分类器权重＊分类器函数
总结：
原则1:没有免费的午餐，没有一个模型在所有数据集上优于另一个模型。
原则2：剃姆刀原则，效果一样的情况下选择简单的模型。eg LR和GDBT效果一样的情况下，尽量选择LR。
参考