gbdt（gradient boost decision tree）：梯度提升决策树；由多棵决策树组成，每棵决策树都是回归树
random forest（随机森林）：随机森林中的每棵树都是由从训练集中抽取的样本训练得到的；同时在构建树时随机选择特征
xgboost
集成学习
序列集成方法：所有学习器按顺序排列组合起来
并行集成方法：各个学习器并行排列
bagging，boosting，stacking
bagging：将多个模型的估计值进行平均；如随机森林，让森林中的每一棵树进行判断，根据结果平均或者投票决定最终结果。
bagging进行m次抽样，得到m个数据集，在m个数据集上训练得到m个基学习器，关注于降低方差。随机森林考虑了样本扰动和属性扰动，即进行样本抽样和属性抽样，然后进行基学习器的训练。
boosting：将弱学习器提升为强学习器，更多的权重赋值给早期训练错误分类的。
boosting训练一个基学习器后，根据基学习器调整训练集，训练误差比较大的训练样本得到更多的关注，
再进行训练得到一个基分类器；关注于降低偏差。
stacking：将不同的学习器（bagging内部的学习器是相同的）进行叠积，最终结果综合所有学习器得到。