请阐述梯度提升决策树（GBDT）的核心工作机制是怎样的，包括其如何通过迭代优化来提升模型性能。

回答思路

1. 【回答框架 1】GBDT是一种基于加法模型的集成学习方法，其核心思想是串行训练一系列决策树，每棵树拟合前一棵树的负梯度（残差）方向，最终将所有树的结果相加得到预测。
2. 【回答框架 2】在每轮迭代中，计算当前模型预测值与真实值之间的损失函数负梯度，并以此作为新决策树的拟合目标，通过最小化该轮损失函数来更新模型。
3. 【回答框架 3】GBDT通过逐步减少残差来逼近真实值，其损失函数可以是平方损失、对数损失等，不同损失函数对应不同应用场景，如回归或分类。
4. 【回答框架 4】为避免过拟合，GBDT常引入学习率（shrinkage），对每棵树的贡献进行缩放，并采用子采样、限制树深度等正则化手段。
5. 【回答框架 5】最终模型为所有树的加权和，其预测性能取决于树的数量、深度及学习率等超参数的调优。
6. 【关键点 1】GBDT是加法模型，每棵树拟合负梯度（残差）方向。
7. 【关键点 2】迭代优化过程通过最小化损失函数实现。
8. 【关键点 3】学习率用于控制每棵树的贡献，防止过拟合。
9. 【关键点 4】适用于回归和分类任务，灵活性强。
10. 【关键点 5】超参数如树数量、深度需调优。
11. 【易错点 1】混淆GBDT与随机森林，前者串行、后者并行。
12. 【易错点 2】忽略学习率对模型稳定性的影响，过大易过拟合。
13. 【易错点 3】在分类任务中使用不适当的损失函数导致性能下降。