GBRT模型指的是Gradient Boosting Regression Tree，它是一種基於回歸決策樹的Boosting集成算法。GBRT通過多棵決策樹的組合，每棵樹的輸出結果累加起來得到最終答案。GBRT的核心在於每一棵樹都是從之前所有樹的殘差中學習，這意味著每棵樹都試圖糾正前一棵樹的錯誤。為了防止過擬合，GBRT也採用了boosting技術，類似於Adaboost，通過調整樣本權重來關注預測錯誤的樣本。
GBRT與GBDT（Gradient Boosting Decision Tree）非常相似，後者通常用於分類問題，而GBRT則主要用於回歸問題。GBRT可以看作是GBDT的回歸樹版本，它們都屬於Boosting家族的成員，通過疊代的方式組合多個弱學習器來創建一個強學習器。在GBRT中，弱學習器通常是CART回歸樹模型，而在GBDT中，弱學習器通常是決策樹。
GBRT的套用包括但不限於搜尋排序的機器學習模型，它因其強大的泛化能力而受到關注。與SVM一起，GBRT被認為是一種泛化能力較強的算法。GBRT的提出和廣泛套用，展示了它在機器學習和數據科學領域的重要性和實用性。