Update 3.2 GBDT

Machine Learning/3.2 GBDT/3.2 GBDT.md

@@ -81,7 +81,7 @@ GBDT的原理很简单，就是所有弱分类器的结果相加等于预测值
 
 1. 预测阶段的计算速度快，树与树之间可并行化计算。
 2. 在分布稠密的数据集上，泛化能力和表达能力都很好，这使得GBDT在Kaggle的众多竞赛中，经常名列榜首。 
-3. 采用决策树作为弱分类器使得GBDT模型具有较好的解释性和鲁棒性，能够自动发现特征间的高阶关系，并且也不需要对数据进行特殊的预处理如归一化等。
+3. 采用决策树作为弱分类器使得GBDT模型具有较好的解释性和鲁棒性，能够自动发现特征间的高阶关系。
 
 ### 3.2 局限性
 
@@ -93,11 +93,11 @@ GBDT的原理很简单，就是所有弱分类器的结果相加等于预测值
 
 **相同点**：
 
-都是由多棵树组成，最终的结果都是由多棵树一起决定。
+- 都是由多棵树组成，最终的结果都是由多棵树一起决定。
+- RF和GBDT在使用CART树时，可以是分类树或者回归树。
 
 **不同点**：
 
-- 组成随机森林的树可以分类树也可以是回归树，而GBDT只由回归树组成
 - 组成随机森林的树可以并行生成，而GBDT是串行生成
 - 随机森林的结果是多数表决表决的，而GBDT则是多棵树累加之和
 - 随机森林对异常值不敏感，而GBDT对异常值比较敏感