第一部分：参数说明
（一）、简述
sklearn自带的ensemble模块中集成了GradientBoostingRegressor的类，参数包括：
class
sklearn.ensemble.
GradientBoostingRegressor
(
loss=’ls’
,
learning_rate=0.1
,
n_estimators=100
,
subsample=1.0
,
criterion=’friedman_mse’
,
min_samples_split=2
,
min_samples_leaf=1
,
min_weight_fraction_leaf=0.0
,
max_depth=3
,
min_impurity_decrease=0.0
,
min_impurity_split=None
,
init=None
,
random_state=None
,
max_features=None
,
alpha=0.9
,
verbose=0
,
max_leaf_nodes=None
,
warm_start=False
,
presort=’auto’
)
[source]
（二）、参数含义及可取的值
●表示可选参数，★ 表示默认参数
1、loss : {‘ls’, ‘lad’, ‘huber’, ‘quantile’}, optional (default=’ls’)----------损失函数
● 'lad'（最小绝对偏差）是仅基于输入变量的订单信息的高度可靠的损失函数。 'huber'是两者的结合。 “分位数”允许分位数回归（使用alpha来指定分位数）。
★ 'ls'是指最小二乘回归
2、
learning_rate
: float, optional (default=0.1)-------
学习率（缩减）
注：
即每个弱学习器的权重缩减系数ν，也称作步长，ν的取值范围为0<ν≤1。
3、
n_estimators
: int (default=100)--------
子模型的数量
● int：个数
★ 100：默认值
4、
max_depth
: integer, optional (default=3)---------
最大深度，如果max_leaf_nodes参数指定，则忽略
● int：深度
★ 3：默认值
5、
criterion
: string, optional (default=”friedman_mse”)--------如何划分特征
注：Supported criteria are “friedman_mse” for the mean squared error with improvement score by Friedman, “mse” for mean squared error, and “mae” for the mean absolute error.
6、
min_samples_split
: int, float, optional (default=2)-------
分裂所需的最小样本数
● int：样本数
★ 2：默认值
注：如果为int，则将min_samples_split作为最小值。
如果为float，则min_samples_split为百分比，ceil（min_samples_split * n_samples）为每个分割的最小采样数。
7、
min_samples_leaf
: int, float, optional (default=1)-------
叶节点最小样本数
● int：样本数
★ 1：默认值
注：如果为int，则将min_samples_leaf视为最小值。
如果为float，则min_samples_leaf是百分比，ceil（min_samples_leaf * n_samples）是每个节点的最小采样数。
8、
min_weight_fraction_leaf
: float, optional (default=0.)------
叶节点最小样本权重总值
● float：权重总值
★ 0：默认值
注：需要在叶节点处的所有输入样本权重总和的最小加权分数。 没有提供sample_weight时，样本具有相同的权重。
9、
subsample
: float, optional (default=1.0)------
子采样率
● float：采样率
★ 1.0：默认值
注：如果小于1.0，则会导致随机梯度增强（Stochastic Gradient Boosting）。 子样本与参数n_estimators交互。 选择子样本<1.0会导致方差减少和偏差增加。
推荐在[0.5, 0.8]之间，默认是1.0，即不使用子采样。
10、
max_features
: int, float, string or None, optional (default=None)---
节点分裂时参与判断的最大特征数
● int：个数
● float：占所有特征的百分比
● auto：所有特征数的开方
● sqrt：所有特征数的开方
● log2：所有特征数的log2值
★ None：等于所有特征数
注：选择max_features <n_features会导致方差减少和偏差增加。
11、
max_leaf_nodes
: int or None, optional (default=None)------
最大叶节点数
● int：个数
★ None：不限制叶节点数
12、
min_impurity_split
: float,
Threshold for early stopping in tree growth. A node will split if its impurity is above the threshold, otherwise it is a leaf.
Deprecated since version 0.19:
min_impurity_split
has been deprecated in favor of
min_impurity_decrease
in 0.19 and will be removed in 0.21. Use
min_impurity_decrease
instead.
13、
min_impurity_decrease
: float, optional (default=0.)----------停止划分的阈值
注：如果此分割导致大于或等于该值的纯度减少，则节点将被分割。
纯度方程：
N_t
/
N
*
(impurity
-
N_t_R
/
N_t
*
right_impurity
-
N_t_L
/
N_t
*
left_impurity)
14、
alpha
: float (default=0.9)---------
损失函数为huber或quantile的时，alpha为损失函数中的参数
The alpha-quantile of the huber loss function and the quantile loss function. Only if
loss='huber'
or
loss='quantile'
.
15、
init
: BaseEstimator, None, optional (default=None)--------
初始子模型
注：用于计算初始预测的估计器对象。 init必须提供拟合和预测。 如果没有，它使用loss.init_estimator。
16、
verbose
: int, default: 0-------
日志冗长度
● int：冗长度
★ 0：不输出训练过程
● 1：偶尔输出
● >1：对每个子模型都输出
17、
warm_start
: bool, default: False--------
是否热启动，如果是，则下一次训练是以追加树的形式进行
● bool：热启动
★ False：默认值
18、
random_state
: int, RandomState instance or None, optional (default=None)---
随机器对象
注：如果是int，random_state是随机数发生器使用的种子; 如果RandomState实例，random_state是随机数生成器; 如果为None，则随机数生成器是np.random使用的RandomState实例。
19、
presort
: bool or ‘auto’, optional (default=’auto’)---------
是否预排序,预排序可以加速查找最佳分裂点，对于稀疏数据不管用
● Bool
★ auto：非稀疏数据则预排序，若稀疏数据则不预排序
注： 默认情况下，自动模式将对密集数据使用预排序，并且默认对稀疏数据进行正常排序。 在稀疏数据上将presort设置为true会引发错误。
（三）、属性Attributes说明
1、
feature_importances_
: array, shape = [n_features]------------输出特征的重要性，越大越重要
2、
oob_improvement_
: array, shape = [n_estimators]---------损失函数的提升
3、
train_score_
: array, shape = [n_estimators]-------训练的精度
4、
loss_
: LossFunction---------输出损失函数
5、
init
: BaseEstimator------
即我们的初始化的时候的弱学习器，拟合对应原理篇里面的f0(x)，如果不输入，则用训练集样本来做样本集的初始化分类回归预测。否则用init参数提供的学习器做初始化分类回归预测。一般用在我们对数据有先验知识，或者之前做过一些拟合的时候，如果没有的话就不用管这个参数了。
6、
estimators_
: ndarray of DecisionTreeRegressor, shape = [n_estimators,
loss_.K
]---输出集成器
（四）、Methods
1、apply(X)-------将集合中的树应用于X，返回叶索引。
注：Parameters: X : array-like or sparse matrix, shape = [n_samples, n_features]
Returns: X_leaves : array_like, shape = [n_samples, n_estimators, n_classes]
2、fit(X, y, sample_weight=None, monitor=None)----拟合the gradient boosting model.
3、get_params(deep=True)
4、predict(X)------预测函数
5、score(X, y, sample_weight=None)-----返回平均精度
6、set_params(**params)---------输入用于训练的参数，需是字典类型
7、staged_predict(X)
注：Predict regression target at each stage for X.
实战部分见下一博文