XGBoost基本上都是组合大量小学习率的回归树。在这种情况，越晚添加的树比越早添加的树更重要。
Rasmi根据深度神经网络社区提出一个新的使用dropout的boosted trees，并且证明它在某些情况有更好的结果。
以下是新的tree boosterdart的介绍。

原始文章

特征

• Drop Trees是为了解决过拟合
  
  • 可以防止一些琐碎的树(为了纠正小错误)。
    因为训练中引入了随机，所以有以下的不同：
• 因为随机dropout不使用用于保存预测结果的buffer所以训练会更慢
• 因为随机，早停可能不够稳定

DART算法怎么运行

DART算法和MART(GBDT)算法主要有两个不同点：

dropout

计算下一棵树要拟合的梯度的时候，仅仅随机从已经生成的树中选取一部分。假设经过$n$次迭代之后当前模型为$M$，$M=\sum_{i=1}^nT_i$，当中$T_i$是第$i$次学习到的树。DART算法首先选择一个随机子集$I\subset{\{1,...,n\}}$，创建模型$\hat{M}=\sum_{i\in{I}}T_i$。树$T$从$\{(x,-L_x'(\hat{M}(x)))\}$学习得到，当中 L′