利用python实现GBDT算法的回归、二分类以及多分类，将算法流程详情进行展示解读并可视化，便于读者庖丁解牛地理解GBDT。

• 回归
• 二分类
• 多分类
• 可视化

算法原理以及公式推导请前往blog：GBDT算法原理以及实例理解

• 操作系统：Windows/Linux
• 编程语言：Python3
• Python库：pandas、PIL、pydotplus， 其中pydotplus库会自动调用Graphviz，所以需要去Graphviz官网下载graphviz的-2.38.msi ，先安装，再将安装目录下的bin添加到系统环境变量，此时如果再报错可以重启计算机。详细过程不再描述，网上很多解答。

• | - GBDT 主模块文件夹
• | --- gbdt.py 梯度提升算法主框架
• | --- decision_tree.py 单颗树生成，包括节点划分和叶子结点生成
• | --- loss_function.py 损失函数
• | --- tree_plot.py 树的可视化
• | - example.py 回归/二分类/多分类测试文件

• 回归测试：

  python example.py --model = regression

• 二分类测试：

  python example.py --model = binary_cf

• 多分类测试：

  python example.py --model = multi_cf

• 其他可配置参数：lr -- 学习率, trees -- 构建的决策树数量即迭代次数,
  depth -- 决策树的深度, count -- 决策树节点分裂的最小数据数量, is_log -- 是否打印树的生成过程, is_plot -- 是否可视化树的结构.

• 结果文件： 运行后会生成results文件夹,里面包含了每棵树的内部结构和生成日志

仅展示最后所有树的集合，具体每棵树的详细信息望读者自行运行代码~