本文介绍了XGboost模型。首先在GBDT的基础上介绍XGboost，然后对比了XGboost与GBDT的不同之处，最后介绍了XGboost的损失函数和学习过程。
作者 | 文杰
编辑 | yuquanle
XGBoost
XGBoost是基于GBDT的一个改进，改进之处有以下几点：
- 传统GBDT以CART作为基分类器，XGBoost还支持线性分类器；
- 目标函数中引入了正则项，决策树作为基学习器时约束定义叶子节点数和系数，线性分类器使用和；
- 损失函数的残差拟合使用二阶多项式拟合，不再采用梯度下降策略，而是导数为导出决策树和权重参数；
- 支持并行，并行不是在基学习器层次，而是在特征选择层面，将特征列排序后存储，在迭代过程中重复使用；
- 样本采样，后剪枝处理防止过拟合；
- 对于缺失值处理，特征分裂时会默认给样本进行分类。
XGBoost目标函数如下：
在第次迭代中有：
其中可以看做是损失函数在某一点的泰勒展开后的。
,，且采用决策树做基学习器，则有：
其中是决策树的系数，是拟合一阶导的决策树，是拟合二阶导的决策树，而这两颗决策树可以共用决策树的结构，决策值不同构成一个二维输出的决策树。且二维决策树在两个维度的系数是有关系的,即,。
对求导为0，有：
将代入目标函数得：
由此，构建决策树的准则即为最小化目标函数，当决策树定下之后，也就定下。所以在XGBoost中实际上的参数只有决策树自身。
The End
