随机森林和GBDT的区别

1.随机森林采用的bagging思想，而GBDT采用的boosting思想。这两种方法都是Bootstrap思想的应用，Bootstrap是一种有放回的抽样方法思想。虽然都是有放回的抽样，但二者的区别在于：Bagging采用有放回的均匀取样，而Boosting根据错误率来取样（Boosting初始化时对每一个训练样例赋相等的权重1／n，然后用该算法对训练集训练t轮，每次训练后，对训练失败的样例赋以较大的权重），因此Boosting的分类精度要优于Bagging。Bagging的训练集的选择是随机的，各训练集之间相互独立，弱分类器可并行，而Boosting的训练集的选择与前一轮的学习结果有关，是串行的。
2.组成随机森林的树可以是分类树，也可以是回归树；而GBDT只能由回归树组成。
3.组成随机森林的树可以并行生成；而GBDT只能是串行生成。
4.对于最终的输出结果而言，随机森林采用多数投票等；而GBDT则是将所有结果累加起来，或者加权累加起来。
5.随机森林对异常值不敏感；GBDT对异常值非常敏感。
6.随机森林对训练集一视同仁；GBDT是基于权值的弱分类器的集成。
7.随机森林是通过减少模型方差提高性能；GBDT是通过减少模型偏差提高性能。