在 Francois Chollet (2018) 的“Python 深度学习”一书中，在第 1.2.4 节中可以找到：

从数据中学习的决策树在 2000 年代开始受到广泛的研究兴趣，到 2010 年，它们通常比核方法更受青睐。

...

特别是，随机森林算法引入了一种稳健、实用的决策树学习方法，包括构建大量专门的决策树，然后将它们的输出组合起来。随机森林适用于广泛的问题——你可以说它们几乎总是任何浅层机器学习任务的次优算法。当流行的机器学习竞赛网站 Kaggle ( http://kaggle.com ) 于 2010 年启动时，随机森林迅速成为该平台上的最爱——直到 2014 年梯度提升机器接管。

对我来说，这听起来像是作者试图描绘这种分类方法的演变：

| Method            | From | To           |
|-------------------|------|--------------|
| Kernel Methods    | ...  | 2000         |
| Decision Trees    | 2000 | 2010         |
| Random Forest     | 2010 | 2014         |
| Gradient Boosting | 2014 | Today (2019) |

Gradient Boosting 是当今最流行的库吗？

它可以普遍适用于任何情况吗？

你怎么看？