3.4.4　集成樹

集成樹（Ensemble Tree）是樹類模型集成算法的統稱，例如Random Forest、AdaBoost、GBDT以及大名鼎鼎的XGBoost都屬于集成樹的范疇。顧名思義，集成樹將決策樹作為基學習器，利用集成學習的思想，以不同的方式疊加而形成。集成樹既具有決策樹本身解釋性好的優點，又具有集成學習帶來的準確性和區分度的提升，一些特殊的框架例如XGBoost，由于加入了正則化項，還保證了模型的穩定性。集成樹算法相比于神經網絡算法，對于數據量和數據維度的要求并不算高，通常數據量滿足5萬、數據維度大于100，就可以嘗試建模，因此被各大互聯網機構應用于申請評分模型、行為評分模型、催收評分模型、價值模型的搭建工作中，是目前建模人員首選的機器學習算法。