使用说明
梯度提升树（Gradient boosting tree）是一种广泛被用来分类和回归的迭代的决策树算法。该算法由多棵决策树组成，与随机森林算法不同的是，随机森林将多棵决策树的结果进行投票后得到最终结果，梯度提升树学习之前所有树的结论，在迭代的每一步构建弱学习器来弥补原有模型的不足，从而更准确。另外，梯度提升树对异常值很敏感。且这里的分类只能用于二分类。
该方法进行梯度提升树分类方法的数据训练过程，可以根据数据特征得到模型，进而用于预测。返回梯度提升树分类模型汇总：
- gbtModelCharacteristics：梯度提升树分类模型的属性。
- Variable：梯度提升树分类模型的字段名称数组，指训练模型中自变量的字段。
- variableImportances：字段重要性，指各自变量特征对因变量的影响程度。
- f1：加权后的f1-measure。
- accuracy：加权后的准确率。
- weightedPrecision：加权后的精确率。
- weightedRecall：加权后的召回率。
- featureImportances：字段重要性，指各自变量特征对因变量的影响程度。
- ClassificationDiagnostics：分类结果诊断。包括对各分类类别的f1Score、精确率（precision）、召回率（recall）、真正确率（truePositiveRate）、假正确率（falsePositiveRate）。
参数说明
| 参数名 | 默认值 | 参数释义 | 参数类型 |
|---|---|---|---|
| 连接信息 |
训练数据的连接信息，从设置中选择需要进行训练的数据集。 | String | |
| 数据查询条件 （可选） |
数据查询条件，支持属性条件和空间查询, 如 SmID<100 and BBOX(the_geom, 120,30,121,31) | String | |
| 建模字段 |
建模字段名称。用于训练模型的字段，即因变量。该字段对应将用于在未知位置进行预测的变量的已知（训练）值。该方法中建模字段为分类整数。 | String | |
| 解释字段 |
解释字段名称集合。该集合输入训练数据集的一个或多个字段名称作为模型的解释变量。 | String | |
| 距离解释变量数据集 （可选） |
距离解释变量数据集集合,数组中的对象使用 ExplanatoryDistanceRDD 进行构建。距离解释变量数据集包括 距离解释变量数据集、搜索距离。计算给定的训练解释变量数据集与输入的训练数据集的最近距离，自动创建一列解释变量(解释变量名称为输入的 distanceFieldName )。如果输入训练距离解释变量数据集，则在利用模型进行预测时，必须输入预测距离解释变量数据集，且与训练模型时创建的解释变量名称对应，预测距离解释变量数据集使用同一个搜索距离。 | ExplanatoryDistanceRDD | |
| 最大迭代次数 （可选） |
100 | 最大迭代次数，必须大于0。 | Integer |
| 树的深度 （可选） |
5 | 树的深度，对树进行的最大分割数。取值范围大于0，默认值为5。如果使用较大的最大深度，则将创建更多分割，这可能会增大过度拟合模型的可能性。 | Integer |
| 训练时使用数据百分比 （可选） |
1.0 | 指定用于每棵梯度提升树的要素百分比，取值范围0-1.0，默认值为1.0，表示100%的数据。对每棵梯度提升树使用较低百分比的输入数据可以提高针对大型数据集的工具速度。 | Double |
| 叶子节点分裂阈值 （可选） |
1 | 叶子节点分裂阈值，保留叶子（即未进一步进行分割的树上的终端节点）所需的最小观测值数。取值范围>0，默认值为1。对于非常大的数据，增大这些数值将减小工具的运行时间。 | Integer |
| 模型保存目录 （可选） |
基于梯度提升树分类模型指定的保存目录。 | String |