# GBDT 与 XGBoost

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 12 章 集成学习
- 页码线索：291-295
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P0
- 标签：gbdt, xgboost, structured-data

## 面试问题

GBDT 的基本原理是什么？XGBoost 与 GBDT 有什么联系和区别？

## 30 秒回答

GBDT 用多棵树串行拟合损失函数的负梯度方向，本质是函数空间中的 boosting。XGBoost 在目标函数、正则化、二阶梯度、缺失值处理和工程优化上增强了 GBDT。

## 展开要点

- GBDT 每轮训练一棵树修正当前模型的残差/梯度。
- 学习率、树深、子采样和树数共同控制泛化。
- XGBoost 加入正则项并做大量系统优化。
- 在结构化数据任务中，GBDT/XGBoost 常是强 baseline。

## 高频追问

- GBDT 和梯度下降有什么联系？
- XGBoost 为什么效果和速度都强？
- GBDT 如何处理类别特征和缺失值？

## 项目映射

- CTR、风控、流失预测、排序特征融合。
- 准备一个从 LR 到 GBDT 的 baseline 升级案例。

## AI PM 迁移

AI PM 面对结构化数据预测任务时，不应默认大模型，GBDT 仍是务实选择。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。