GBDT（Gradient Boosting Decision Tree，梯度提升決策樹）是一種疊代決策樹算法，它通過構建一組弱學習器（即決策樹）並將它們累加起來作為最終的預測輸出，有效地結合了決策樹和集成學習的思想。
GBDT的工作原理是，在每輪疊代中，根據當前模型的預測誤差（殘差）來訓練下一個決策樹，這些決策樹的輸出最終相加得到GBDT模型的預測結果。GBDT的基學習器是決策樹，通常是CART回歸樹，因為它可以輸出連續的預測值，這對於GBDT在疊代過程中使用梯度信息是必要的。
GBDT可以套用於回歸和分類問題，它的主要優勢包括高準確率、易於使用和較少的參數調整需求，與隨機森林等其他集成學習方法相比，GBDT在處理特定類型的數據時（如高維稀疏數據）可能更有效。此外，GBDT能夠處理各種類型的數據，包括數值型和分類型數據，並且在面對異常數據時表現出更強的穩定性。