在梯度提升框架中，为什么通常不采用深度为1的决策树桩作为基学习器，而是倾向于使用更深一些的决策树？

回答思路

1. 【回答框架 1】决策树桩深度为1，只做一次划分，拟合能力弱，偏差高。梯度提升通过迭代减小残差，若基学习器太弱，则每轮修正有限，需要更多轮次，容易欠拟合。
2. 【回答框架 2】梯度提升每轮拟合负梯度，较深的树能捕捉特征交互，更快降低残差。但过深会导致过拟合，因此需正则化，如限制深度、叶子节点数、学习率等。
3. 【回答框架 3】实践中常用4-8层的树，平衡每轮学习能力与泛化，配合收缩显著提升效果。树桩仅在数据量小或方差控制严格时使用，但通常不是默认选择。
4. 【关键点 1】决策树桩拟合能力弱，偏差大，导致收敛慢、容易欠拟合。
5. 【关键点 2】较深的树可捕捉特征交互，每轮更有效降低残差，但需防过拟合。
6. 【关键点 3】树深、学习率等参数需权衡，常用交叉验证确定。
7. 【易错点 1】误以为树桩方差低就一定利于提升，忽略偏差过大导致的欠拟合。
8. 【易错点 2】忽视学习率与树深的联合调整，只调其中一个。
9. 【易错点 3】认为越深越好，导致过拟合。