1.本项目采用百度地图API获取步行时间，基于GBDT模型对排队时间进行预测。实现用户自主选择多个目的地，系统输出最佳路线规划的结果，并根据用户的选择给出智能化推荐。 2.项目运行环境：需要Python 3.6及以上配置。 3.项目包括6个模块：数据预处理、客流预测、百度地图API调用、GUI界面设计、路径规划和智能推荐。选用GBDT建立模型，GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮的残差基础上进行训练；采用GBDT模型进行预测，输入当前天气、温度、风力风向、日期(是否是节假日、星期几)和时间即可得出当前客流量；当前客流量在后续预测排队时做一系列操作即可转换为排队时间；通过调用百度地图API模块产生节点之间的步行时间矩阵和客流模型，应用穷举法设计算法，得出最佳路线规划；系统将用户未选择的地点一次分别加入已选择的队列中进行运算，其基本思路与最佳路线规划模块一致，采用穷举法得到所有路线及其总耗时，最后将它们输出，实现智能推荐。 4.博客：https://blog.csdn.net/qq_31136513/article/details/133018114

•泰勒公式 •最优化方法 •梯度下降法（Gradient descend method） •牛顿法（Newton’s method) •从参数空间到函数空间 •从Gradient descend 到Gradient boosting •从Newton’s method 到Newton Boosting •Gradient Boosting Tree 算法原理 •Newton Boosting Tree 算法原理：详解XGBoost •更高效的工具包LightGBM

引入加法模型在给定了训练数据和损失函数的条件下，可以通过损失函数最小化来学习加法模型然而对于这个问题是个很复杂的优化问题，而且要训练的参数非常的多，前向分布算法

梯度提升决策树（Gradient Boosting Decision Tree，GBDT）算法是近年来被提及比较多的一个算法，这主要得益于其算法的性能，以及该算法在各类数据挖掘以及机器学习比赛中的卓越表现，有很多人对GBDT算法进行了开源代码的开发，比较火的是陈天奇的XGBoost和微软的LightGBM

内含数据集以及算法的源码，适合算法工程师在本领域的练手项目

个人GBDT实验代码和数据集分享

任务是对客户下个月是否违约做出预测。原始数据格式是csv。模型比较了随机森林，逻辑回归，adboost，gbdt，xgboost的分类准确率，最终选取gbdt进行调参优化，提升了1pt

机器学习与算法源代码9： AdaBoost与GBDT模型.zip

使用C#编写的GBDT算法，训练效果良好，可供C++/C编写人员参考。 个人能力有限，如有问题，欢迎指正！