自定义GradientBoostingClassifier实现无效，性能接近随机模型求助

• 初始预测值算错了
  二分类梯度提升的初始预测必须是样本的对数几率：log(正类样本数/负类样本数)，不能随便设成0或者均值。初始值错了，后面所有树的修正方向全歪，自然学不到东西。

• 伪残差计算逻辑不对
  分类任务里的残差不是“真实标签-预测值”，而是对数损失的负梯度：y_true - sigmoid(当前对数几率预测值)。要是直接用真实标签减概率，或者减对数几率，树根本学不到有效的修正信号。

• 没加学习率或者用错了
  每棵树的预测结果必须乘以学习率（步长）再累加到总预测里。忘了乘的话，迭代再多也没用，甚至会让预测值爆炸，模型完全不收敛。

• 决策树参数和原生GBM不匹配
  sklearn原生GradientBoostingClassifier默认用max_depth=3的浅树，要是你的自定义实现用了默认的max_depth=None（无限制深度），树会直接过拟合，后续迭代没法提升整体性能；另外没设random_state的话，每次树的训练随机性太大，模型也会不稳定。

• 预测阶段的概率转换错了
  最终要把累计的对数几率用sigmoid转成概率再评估。要是直接输出对数几率，或者转换函数写错，计算出的roc_auc、pr_auc就会像随机模型一样，实际是预测值的格式不对。

• 标签编码不匹配
  确保标签是0/1格式，要是用了1/-1这类编码，伪残差的计算逻辑得跟着改，不然梯度计算全错。

内容的提问来源于stack exchange，提问作者Анатолий Михайлин