问题描述
我正在尝试创建一个确定的回归器的集合，考虑到这一点，我在寻找某种方法来使用sklearn已经存在的集合方法，并尝试更改该集合的基本估计量。套袋文档很清楚，因为它说您可以通过将回归变量作为参数传递给“ base_estimator”来更改基本估计量，但是使用GradientBoosting可以在“ init”参数中传递回归变量。
我的问题是：将我的回归变量传递给GradientBoosting的init参数，是否将使用我指定为基本估计量的回归变量而不是树？该文档说init值必须是“用于计算初始预测的估计器对象”，所以我不知道我将在init中传递的估计器实际上是否将用作弱化学习者的增强对象可以通过Bosting方法进行操作，也可以只在开始时使用，之后再由决策树完成所有工作。
解决方法
否。
GradientBoostingRegressor只能使用回归树作为基本估计量；来自docs（重点是我）：
在每个阶段都适合回归树
正如相关的Github thread中所指出的那样（本特·里尼格（HT）在下面的评论中指出）：
实施完全依赖于基本估计量为树的假设
为了增强仲裁基准回归器（类似于装袋），您需要AdaBoostRegressor，与装袋类似，它也需要一个base_estimator参数。但是在这样做之前，您可能希望先看看Execution time of AdaBoost with SVM base classifier中的答案；引用：
使用决策树作为基本分类器（更具体地说，决策树桩，即深度仅为1的DT），构想了Adaboost（和类似的集成方法）；有充分的理由说明为什么今天仍然存在，如果您未明确指定base_classifier参数，则该参数将假定值为DecisionTreeClassifier(max_depth=1)。 DT很适合此类集合，因为它们本质上是不稳定分类器，而SVM则不是这种分类器，因此，在用作基本分类器时，预计不会提供太多。