参考链接：
https://www.cnblogs.com/bnuvincent/p/9693190.html
https://www.cnblogs.com/bentuwuying/p/6667267.html
https://blog.csdn.net/yangxudong/article/details/53872141
https://blog.csdn.net/zpalyq110/article/details/79527653
当损失函数为mse时，上一个树的残差作为下一个树的标签值
当损失函数mse时，求残差困难，使用损失函数的梯度来优化
这个损失函数是整体强分类器的损失函数，用梯度下降算法不断优化强分类器的损失函数，每一步都可以得到一个弱分类器
加法模型：最好的提升树F(x)，F(x)=多个树的和
前项分布算法：现在的树的输出等于前一个树＋当前这个树的值。当前这个树拟合的是上个树的残差。损失函数：loss(f(x),y)
fm(x)=fm-1(x)+T(x,参数)
对于有n个树, 整体损失函数为：Loss(yi,fn(xi))，往上推得到：
Loss(yi,fn-1(x)+T(x,参数n))
往上递推，直到Loss(yi,f0)
gbdt对损失函数通过一阶泰勒展开近似，
xgboost对损失函数通过二阶泰勒展开近似，并加正则项
由梯度下降算法启发而来：
xi=xi-1+a*gi
gi表示f(xi)的负梯度值
对于gbdt：
分类器f(x)相当于x，损失函数loss(f(x),y)相当于是f(x)
训练好一个弱分类器后，得到损失函数的负梯度，将损失函数的负梯度作为训练下一个弱分类器的标签。
将所有弱分类器的和，作为最终结果。
