老师有一个问题就是决策树的概率可不可能是区间而Boolean不是一个  比如课件上提到的例子 说最末端的叶节点（一个人的偿还能力）一个无房的未婚的人他的偿还能力是0%-50% 而不是这个人不能偿还

老师，GBDT多分类中，第0棵树初始化的概率没有用吗，第一棵树的y，不是真实的标签-初始化概率吗

老师好，GBDT用于特征组合降维，是先有了模型之后，将特征作为输入，通过模型再进行特征的划分吧？随着划分的进行，假如特征都是列向量，共n列，那么每一次划分就横向切一刀，随着不断地横切，到叶子节点时，可能有些叶子节点时，可能有些特征的值就很稀疏，甚至可能为0吧，这个时候特征为0的就可以忽略吧，然后把还有值的特征进行组合。组合出来特征的数量与GBDT模型本身的trees的数量以及树的节点数目相关。我是这么理解的，不知道正确不？

老师好，对于adaboost通常分裂出的决策桩，它的分裂方式大多都是按照cart的gini系数来进行分裂的吧，那么对于信息增益与信息增益率是不是也可以呢？是不是总体来说用cart会好一些？

老师你好，GBDT在做分类的时候，每个小树是去回归负梯度，在我们的假设下，负梯度也是残差。但是中间有个sigmoid函数，我认为这个残差指的是sigmoid变换之前z的残差，而不是sigmoid变换后的概率意义的残差，但是视频里这块好像跟我想的不太一样，而且分类问题初始化的时候F₀去拟合的是log₂(p_+/1-p_-)，假设p_+ = 1/1+e^-z,我发现正好得到的是z，也验证了我之前的想法，就是GBDT从初始就开始回归z，并且之后的小树，都在修正这个z。