用bias/variance角度解释GDBT与RF的区别

首先，GBDT和RF都是集成方法中的经典模型，我们需要弄清楚下面几个问题：
1、GBDT是采用boosing方法，RF采用的是baggging方法
2、bias和variance是解释模型泛化性能的，其实还有噪声

然后，理解GBDT和RF执行原理，其中GBDT中的核心是通过用分类器（如CART、RF）拟合损失函数梯度，而损失函数的定义就决定了在子区域内各个步长，其中就是期望输出与分类器预测输出的查，即bias；而RF的核心就是自采样（样本随机）和属性随机（所有样本中随机选择K个子样本选择最优属性来划分），样本数相同下的不同训练集产生的各个分类器，即数据的扰动导致模型学习性能的变化，即variance。

最后，虽然从bias/variance角度理解了区别，估计能应付面试，但真正需要针对业务场景灵活调整模型还只能去看paper。