请解释梯度提升决策树在数据分析中的定义，并阐述其预测流程是怎样的？

回答思路

1. 【回答框架 1】GBDT是一种迭代的集成学习算法，由多棵决策树组成，每棵树学习前面所有树的残差，最终将所有树的预测值相加得到最终预测结果。
2. 【回答框架 2】训练时，先初始化一个常数预测（如均值），然后计算残差，用决策树拟合残差，更新预测值，重复此过程直至达到预设的树数量或收敛条件。
3. 【回答框架 3】预测时，将输入样本遍历每一棵树，得到每棵树的叶子节点输出值，累加所有树的输出值加上初始预测值，即为最终预测结果。
4. 【回答框架 4】GBDT适用于回归和分类任务，能处理非线性关系，特征重要性可用于特征选择，但训练过程串行，难以并行化。
5. 【回答框架 5】实际应用中需注意过拟合，可通过限制树深度、设置学习率、子采样等正则化手段来控制模型复杂度。
6. 【关键点 1】GBDT是加法模型，通过残差拟合逐步优化，最终预测为所有树输出之和。
7. 【关键点 2】学习率控制每棵树贡献的权重，较小学习率配合较多树通常能提升泛化能力。
8. 【关键点 3】训练过程串行，预测过程为累加求和。
9. 【易错点 1】不要将GBDT的逐棵拟合误认为随机森林的并行训练。
10. 【易错点 2】避免使用过大的树深度导致过拟合。
11. 【易错点 3】需注意类别特征的处理和缺失值的填充，可能影响模型效果。