Random Forest
采用bagging思想，即利用bootstrap抽样，得到若干个数据集，每个数据集都训练一颗树。
构建决策树时，每次分类节点时，并不是考虑全部特征，而是从特征候选集中选取若干个特征用于计算。弱特征共有p个，一般选取m=sqrt(p)个特征。当可选特征数目很大时，选取一个较小的m值，有助于决策树的构建。
当树的数量足够多时，RF不会产生过拟合，提高树的数量能够使得错误率降低。
GBDT
采用Boosting思想（注意是Boosting，不是Boostrap）
不采用Boostrap抽样的方法（RF采用了），每次迭代过程都会使用全部数据集（会有一些变化，即采用的是上一轮训练后得到的预测结果与真实结果之间的残差（残差是由损失函数计算得到的））。
GBDT的每棵树是按顺序生成的，每棵树生成时都需要利用之前一棵树留下的信息（RF的树是并行生成的）。
GBDT中树的数目过多会引起过拟合（RF不会）。
构架树时，深度为1时通常效果很好（深度为1的决策树称为决策桩decision stumps）。
下图是两种算法的对比