以下通过案例（根据行为习惯预测年龄）帮助我们深入理解梯度提升决策树（GBDT）的训练过程
假设训练集有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
下面我们将分别使用回归树和GBDT，通过他们的日常行为习惯（购物、上网等）预测每个人的年龄
1、使用回归树训练
回归树训练得到的结果如图所示：
2、使用GBDT训练
由于我们的样本数据较少，所以我们限定叶子节点最多为2（即每棵树都只有一个分枝），并且限定树的棵树为2
梯度提升决策树（GBDT）的训练过程如下：
1） 第一棵树：假设初始值为平均年龄20，得到的结果如图所示：
上图中，A、B的购物金额不超过1k，C、D的购物金额超过1k，因此被分为左右两个分支，每个分支使用平均年龄作为预测值
分别计算A、B、C、D的残差（实际值减预测值）：
- A残差 = 14 − 15 = − 1 \tt =14-15=-1 =14−15=−1
- B残差 = 16 − 15 = 1 \tt =16-15=1 =16−15=1
- C残差 = 24 − 25 = − 1 \tt =24-25=-1 =24−25=−1
- D残差 = 26 − 25 = 1 \tt =26-25=1 =26−25=1
以A为例，这里A的预测值是指前面所有树预测结果的累加和，当前由于只有一棵树，所以直接是15，其他同理
2） 第二棵树：拟合前一棵树的残差-1、1、-1、1，得到的结果如图所示：
上图中，A、C的上网时间超过1h，B、D的上网时间不超过1h，因此被分为左右两个分支，每个分支使用平均残差作为预测值
分别计算A、B、C、D的残差（实际值减预测值）：
- A残差 = − 1 − ( − 1 ) = 0 \tt =-1-(-1)=0 =−1−(−1)=0
- B残差 = 1 − 1 = 0 \tt =1-1=0 =1−1=0
- C残差 = − 1 − ( − 1 ) = 0 \tt =-1-(-1)=0 =−1−(−1)=0
- D残差 = 1 − 1 = 0 \tt =1-1=0 =1−1=0
第二棵树学习第一棵树的残差，在当前这个简单场景下，已经能够保证预测值与实际值（上一轮残差）相等了，此时停止迭代
3） 迭代终止后，最后就是集成，累加所有决策树的预测结果作为最终GBDT的预测结果
本案例中，我们最终得到GBDT的预测结果为第一棵树的预测结果加第二棵树的预测结果
- A：真实年龄14岁，预测年龄 15 + ( − 1 ) = 14 \tt 15+(-1)=14 15+(−1)=14
- B：真实年龄16岁，预测年龄 15 + 1 = 16 \tt 15+1=16 15+1=16
- C：真实年龄24岁，预测年龄 25 + ( − 1 ) = 24 \tt 25+(-1)=24 25+(−1)=24
- D：真实年龄26岁，预测年龄 25 + 1 = 26 \tt 25+1=26 25+1=26
综上所述，GBDT需要将多棵树的预测结果累加，得到最终的预测结果，且每轮迭代都是在当前树的基础上，增加一棵新树去拟合前一个树预测值与真实值之间的残差