当我遇到“损失”参数时，我正在使用sklearn的GradientBoostingClassifier [sklearn.ensemble.GradientBoostingClassifier]训练Gradient Boosting模型。
sklearn页面上的官方解释是-
损失：{'deviance'，'指数'}，可选（默认='deviance'）
损失功能有待优化。 “偏离”是指偏离（= logistic回归），以概率输出进行分类。 对于损失，“指数”梯度提升可恢复AdaBoost 算法。
sklearn.ensemble.GradientBoostingClassifier
根据我的有限理解，我的问题是，“距离”损失函数用于概率分类（就像Naive-Bayes的概率输出用于分类）。
“指数”损失函数会发生什么？ 要么 何时应使用“指数”损失函数
根据sklearn.ensemble.AdaBoostClassifier页面sklearn.ensemble.AdaBoostClassifier
对于“算法”参数-
算法：{“ SAMME”，“ SAMME.R”}，可选（默认=“ SAMME.R”）
如果为“ SAMME.R”，则使用SAMME.R实数增强算法。 base_estimator必须支持类概率的计算。如果 然后，“ SAMME”使用SAMME离散增强算法。 SAMME.R 该算法通常会比SAMME收敛更快，从而降低收敛速度。 提升迭代次数更少的测试错误。
这意味着（AdaBoost的）“ SAMME.R”类似于GradientBoostingClassifier的“ loss”参数的“ deviance”吗？
我的理解正确吗，或者我缺少什么？
谢谢！