我们在很多Gradient Boost相关的论文及分析文章中都可以看到下面的公式：
但是，对这个公式的理解，我一直也是一知半解，最近，终于下决心对其进行了深入理解。
步骤1：可以看作优化目标的损失函数；
步骤2：代表需要学习1~M个模型；
步骤3：将前m-1个模型的组合F(X)代入损失函数L(y_i, F(X))，并对F(X)求导，求得梯度向量表达式；举例说明，如果损失函数是，则对F(X)求导，得到
，当i从1取到N时，得到梯度方向的向量；
步骤4：得到梯度向量之后，我们需要的是梯度向量方向上的新的模型，该模型需与梯度方向越接近越好，故，最小二乘法派上了用场，对步骤4的表达式求导，令等于0，可求得新模型的参数a；
步骤 5：模型解出后，组合新模型之后得到的模型应该也满足损失函数最小，因此，对组合权重求导，令等于0；
步骤 6，模型参数与模型权重参数求出之后，即得到了新模型；
步骤 7：重复M次，训练也M个模型。