1. 书中提到，基于numpy的回归树的MSE比sklearn的DecisionTreeRegressor差很多，实际测试也确实差了4、5倍左右。
修改之后，差距会很小。
2. scikit-learn从1.2版本开始移除了load_boston函数，这个函数原本用于加载波士顿房价数据集。移除的原因是该数据集存在伦理问题。scikit-learn提示可以使用pandas加载原数据。
3. 左子树和右子树弄反了，左子树应该是<= threshold。当然这并不会导致严重问题，仅仅是与书中的公式和习惯不符。
4. 在utils.py文件中，feature_split函数的返回值类型有误，原代码运行会报错。

修复回归决策树CART实现的bug by WhizZest

1. 修复决策树的bug：在上一次commit已经修复，只需要把第七章的代码完全复制过来；具体看上一次的提交信息：f7b9b7efd3b6ca9ace7a58df1eeb8d7338d7d5a9
2. 修复决策树几乎不会训练的bug：GBDTRegressor类的初始化参数min_var_reduction=1e-6，由于这个值太小，会导致决策树几乎不会生成分支，所以我这里把默认值改为无穷大float("inf")。改动到这一步，误差已经大幅减小；
3. 修复GBDT训练收敛太慢的bug（几乎不收敛）：把预测值y_pred初始化为均值，可以明显加快收敛，学习率不变的情况下，训练15次就差不多够了，误差还能稍微再降低。
4. 删除第7章决策树冗余，这是上一次commit增加的一行冗余代码。

解决第11章GBDT误差太大的问题