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

老师我想问一下弱分类器对预测错的样本增加权重之后，下一个弱分类器为什么就能变得更强，就是他是怎么更加注意到这些权重变大的样本的，为什么注意到了这些权重变大的样本分类就更准确了，可以从数学原理上解释一下吗

为什么总是提负梯度，为什么总是往负梯度方向进行迭代呢，不是往正梯度方向呢，正负是怎么来判断的呢

老师请问，gbdt里边的学习率是怎么确定，也是经验值吗？这个地方为什么也会用到学习率？

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。