回答:
これらは、基底関数の数、つまり反復、つまり加法モデルのツリー数の最適値を決定することに関連しているはずです。これらが何であるかを正確に説明するドキュメントを見つけることはできませんが、ここに私の最善の推測であり、おそらく他の誰かがコメントすることができます。
マニュアルから次の情報を入手してください。
library(gbm)
# A least squares regression example
# create some data
N <- 1000
X1 <- runif(N)
X2 <- 2*runif(N)
X3 <- ordered(sample(letters[1:4],N,replace=TRUE),levels=letters[4:1])
X4 <- factor(sample(letters[1:6],N,replace=TRUE))
X5 <- factor(sample(letters[1:3],N,replace=TRUE))
X6 <- 3*runif(N)
mu <- c(-1,0,1,2)[as.numeric(X3)]
SNR <- 10 # signal-to-noise ratio
Y <- X1**1.5 + 2 * (X2**.5) + mu
sigma <- sqrt(var(Y)/SNR)
Y <- Y + rnorm(N,0,sigma)
# introduce some missing values
X1[sample(1:N,size=500)] <- NA
X4[sample(1:N,size=300)] <- NA
data <- data.frame(Y=Y,X1=X1,X2=X2,X3=X3,X4=X4,X5=X5,X6=X6)
# fit initial model
gbm1 <- gbm(Y~X1+X2+X3+X4+X5+X6, # formula
data=data, # dataset
var.monotone=c(0,0,0,0,0,0), # -1: monotone decrease,
# +1: monotone increase,
# 0: no monotone restrictions
distribution="gaussian", # bernoulli, adaboost, gaussian,
# poisson, coxph, and quantile available
n.trees=3000, # number of trees
shrinkage=0.005, # shrinkage or learning rate,
# 0.001 to 0.1 usually work
interaction.depth=3, # 1: additive model, 2: two-way interactions, etc.
bag.fraction = 0.5, # subsampling fraction, 0.5 is probably best
train.fraction = 0.5, # fraction of data for training,
# first train.fraction*N used for training
n.minobsinnode = 10, # minimum total weight needed in each node
cv.folds = 5, # do 5-fold cross-validation
keep.data=TRUE, # keep a copy of the dataset with the object
verbose=TRUE) # print out progress反復回数（Iter）は3000です。これは、構築するために選択されたツリーの数です（すべて表示されているわけではありませんが、1〜3000）。cv.folds = 5を選択したため、途中で完全なプロセスが5回繰り返されます。
StepSize 選択した収縮率または学習率です（ここでは0.005）。
これImproveは、別のツリーを追加することによる逸脱（損失関数）の減少であり、out-of-bag（OOB）レコードを使用して計算されます（bag.fractionが<1でない場合、計算されないことに注意してください）。
次に、各反復で、TrainDeviance ValidDevianceは、トレーニングデータとホールドアウトデータ（単一のホールドアウトセット）の損失関数の値です。train.fractionが<1でない場合、ValidDevianceは計算されません。