关于 GBDT 算法,下列说法正确的是( )?A. 增加用于分割的最小样本数量,有助于避免过拟合B. 增加用于分割的最小样本数量,容易造成过拟合C. 减小每个基本树的样本比例,有助于减小方差D. 减小每个基本树的样本比例,有助于减小偏差

GBDT算法的核心在于通过集成学习（boosting框架）组合多棵决策树，逐步优化模型预测性能。本题考查关键参数对模型过拟合、偏差与方差的影响：

1. 最小样本分割数（min_samples_split）：增加该参数会限制树的分裂深度，减少模型复杂度，从而降低过拟合风险。
2. 子样本比例（subsample）：减小比例使每棵树基于不同子集训练，增加模型多样性，降低方差，但对偏差影响较小。

选项A

关键点：增加最小样本分割数会限制树的分裂，使模型更“保守”，避免过度拟合训练数据的噪声，因此有助于避免过拟合。

选项B

错误原因：与A相反，增加最小样本分割数会降低过拟合风险，而非“容易过拟合”。

选项C

关键点：减小子样本比例使每棵树训练数据更分散，减少树之间的相关性，从而降低集成模型的方差。

选项D

错误原因：偏差主要由单个树的复杂度决定，子样本比例调整对偏差影响有限，因此“减小样本比例有助于减小偏差”不成立。