Machine learning 是'；初始'；scikit learn GradientBoosting回归器的参数定义基本估计量？

我试图创建一个确定回归器的集合，考虑到这一点，我寻找了一些方法来使用sklearn已经存在的集合方法，并尝试更改集合的基本估计量。bagging文档很清楚，因为它说您可以通过将回归器作为参数传递给“base_estimator”来更改基本估计量，但使用GradientBoosting，您可以在“init”参数中传递回归器

我的问题是：在GradientBoosting的init参数中传递我的回归器，会使它使用我指定的回归器作为基估计量而不是树吗？文件上说init值必须是“用于计算初始预测的估计器对象”，所以我不知道我将在init中传递的估计器是否是实际上用作弱学习者的估计器，以通过bosting方法进行增强，或者只在开始时使用，之后所有工作都由决策树完成。

否

梯度增强回归器

只能使用回归器树作为基本估计量；从（我的）重点：

在每个阶段中，一个回归树是合适的

正如在一份相关报告中所指出的（HT向Ben Reiniger表示感谢，因为他在下面的评论中指出了这一点）：

实现完全依赖于基本估计量是树的假设

为了提高仲裁基回归器（类似于bagging），您需要一个

base\u估计器

参数，这同样适用于bagging。但在这样做之前，你可能想看看自己的答案；引述：

Adaboost（和类似的集成方法）是使用决策树作为基本分类器（更具体地说，是决策树桩，即深度仅为1的DTs）构思的；今天，如果不明确指定

base\u分类器

参数，它会假定值为

DecisionTreeClassifier（max\u depth=1）

，这是有充分理由的。DTs适用于此类融合，因为它们本质上是不稳定的分类器，而SVM则不是这样，因此后者在用作基本分类器时不会提供太多

另见