Python语言实现梯度提升树 (Gradient Boosting Machines, GBM)算法

 梯度提升树（Gradient Boosting Machines, GBM）是一种集成学习方法，通过迭代地训练决策树，并让每棵新的树拟合前一棵树的残差，从而逐步提高模型的准确率。下面是一个简单的Python实现GBM的例子：

实现思路：

1. 使用决策树作为弱学习器。
2. 每次训练新树时，使用当前模型的预测残差作为新树的目标。
3. 将每棵树的预测结果加到最终的预测上，并通过学习率调节每棵树的贡献。

实现步骤：

• 首先导入必要的库。
• 实现GBM的主体逻辑，包括计算损失、拟合残差等。
• 使用均方误差作为损失函数。

Python代码实现：

import numpy as np
from sklearn.tree import DecisionTreeRegressor

class GradientBoostingRegressor:
    def __init__(self, n_estimators=100, learning_rate=0.1, max_depth=3):
        self.n_estimators = n_estimators          # 弱学习器的数量
        self.learning_rate = learning_rate        # 学习率
        self.max_depth = max_depth                # 决策树的最大深度
        self.trees = []                           # 用于存储每棵决策树
    
    def fit(self, X, y):
        # 初始化模型为常量值，通常使用均值
        self.init