梯度提升树
一种集成学习算法，通过逐步叠加多棵决策树来修正前一棵树的残差误差，在结构化/表格数据任务中表现优异，被称为表格数据的瑞士军刀
核心事实
时间轴 (近 90 天)
选择问题的常见实现包括逻辑回归、朴素贝叶斯、梯度提升树以及基于嵌入的最近邻分类器；大模型场景下则通过提示词约束输出枚举值。
预测性维护常用的模型包括孤立森林、自编码器、LSTM及梯度提升树等。
梯度提升树基于决策树的分裂机制，天然支持混合数据类型、内置处理缺失值、对特征尺度不敏感
树模型通过轴对齐分裂捕捉特征间的分段线性关系，适配表格数据中常见的业务规则结构
AI驱动根因分析常用技术路线包括随机森林或梯度提升树的特征重要性排序、LSTM网络捕捉时序异常，以及DoWhy等因果推断框架
梯度提升树系列算法，尤其是XGBoost，长期被视为表格数据建模领域的黄金标准
自变量与因变量非线性关系时，纯线性回归可能欠拟合，可考虑多项式特征、交互项或树模型
火灾风险预测综合气象数据、植被干燥度指数和历史火灾记录，使用随机森林、梯度提升树或LSTM等模型预测未来火灾概率
全部知识事实 (10)
机器学习的代表算法包括支持向量机（SVM）、决策树和朴素贝叶斯
70%已验证集成学习的核心思想是将多个弱学习器或差异化模型的预测结果加以综合，以获得比单一模型更稳健的输出
65%待验证选择问题的常见实现包括逻辑回归、朴素贝叶斯、梯度提升树以及基于嵌入的最近邻分类器；大模型场景下则通过提示词约束输出枚举值。
50%待验证预测性维护常用的模型包括孤立森林、自编码器、LSTM及梯度提升树等。
50%待验证梯度提升树基于决策树的分裂机制，天然支持混合数据类型、内置处理缺失值、对特征尺度不敏感
50%待验证树模型通过轴对齐分裂捕捉特征间的分段线性关系，适配表格数据中常见的业务规则结构
50%待验证AI驱动根因分析常用技术路线包括随机森林或梯度提升树的特征重要性排序、LSTM网络捕捉时序异常，以及DoWhy等因果推断框架
50%待验证梯度提升树系列算法，尤其是XGBoost，长期被视为表格数据建模领域的黄金标准
50%待验证自变量与因变量非线性关系时，纯线性回归可能欠拟合，可考虑多项式特征、交互项或树模型
50%待验证火灾风险预测综合气象数据、植被干燥度指数和历史火灾记录，使用随机森林、梯度提升树或LSTM等模型预测未来火灾概率
50%