skiti-learn中有两个，GradientBoostingClassifier（分类）和 GradientBoostingRegressor（回归）。两者参数基本相同，并且参数类似Adaboost，分为两类参数，Boosting框架参数和弱学习器参数即CART回归树的参数。
-
GBDT类库boosting框架参数
GradientBoostingClassifier和GradientBoosting的参数大部分相同
1）n_estimators:弱学习器的迭代次数，或者说是弱学习器的个数，默认为100，实际调参常与learning_rate共同考虑2）learning_rate:每个弱学习器的权重衰减稀疏ν。加上了正则化项，我们的强学习器的迭代公式为fk(x)= fk−1 (x)+νhk(x)。ν的取值范围为0<ν≤1，对于同样的训练集拟合效果，较小的ν需要更多的弱学习器的迭代次数。
3）subsample:子采样，取值为(0,1]。注意这里的子采样和随机森林不一样，随机森林使用的是放回抽样，而这里是不放回抽样。如果取值为1，则全部样本都使用，等于没有使用子采样。如果取值小于1，则只有一部分样本会去做GBDT的决策树拟合。选择小于1的比例可以减少方差，即防止过拟合，但是会增加样本拟合的偏差，因此取值不能太低。推荐在[0.5, 0.8]之间，默认是1.0.
4）init:初始化的时候的弱学习器，如果不输入，则用训练集样本来做样本集的初始化分类回归预测。否则用init参数提供的学习器做初始化分类回归预测。一般用在我们对数据有先验知识，或者之前做过一些拟合的时候，如果没有的话就不用管这个参数了。
5）loss: GBDT算法中的损失函数。分类模型和回归模型的损失函数是不一样的。
对于分类模型，有对数似然损失函数"deviance"和指数损失函数"exponential"两者输入选择。默认是对数似然损失函数"deviance"。一般来说，推荐使用默认的"deviance"。它对二元分离和多元分类各自都有比较好的优化。而指数损失函数等于把我们带到了Adaboost算法。
对于回归模型，有均方差"ls", 绝对损失"lad", Huber损失"huber"和分位数损失“quantile”。默认是均方差"ls"。一般来说，如果数据的噪音点不多，用默认的均方差"ls"比较好。如果是噪音点较多，则推荐用抗噪音的损失函数"huber"。如果我们需要对训练集进行分段预测的时候，则采用“quantile”。6）alpha：这个参数只有GradientBoostingRegressor有，当我们使用Huber损失"huber"和分位数损失“quantile”时，需要指定分位数的值。默认是0.9，如果噪音点较多，可以适当降低这个分位数的值。
-
GBDT类库弱学习器参数
由于GBDT使用了CART回归决策树，详细情况参考决策树调参