目录
一、梯度提升树
1、残差提升树 Boosting Decision Tree
2、梯度提升树 Gradient Boosting Decision Tree
二、构建案例
1、 初始化弱学习器(CART树)：
2、 构建第1个弱学习器
3、 构建第2个弱学习器
4、 构建第3个弱学习器
5、 构建最终弱学习器
6、 构建总结
三、XGBoost
1、Xgb的构建思想
2、公式
3、XGBoost关键优势
一、梯度提升树
1、残差提升树 Boosting Decision Tree
思想：通过拟合残差的思想来进行提升，残差：真实值 - 预测值
例如：
2、梯度提升树 Gradient Boosting Decision Tree
梯度提升树不再拟合残差，而是利用梯度下降的近似方法，利用损失函数的负梯度作为提升树算法中的残差近似值。
GBDT 拟合的负梯度就是残差。如果我们的 GBDT 进行的是分类问题，则损失函数变为 logloss，此时拟合的目标值就是该损失函数的负梯度值。
二、构建案例
已知：
1、 初始化弱学习器(CART树)：
当模型预测值为何值时，会使得第一个弱学习器的平方误差最小，即：求损失函数对 f(xi) 的导数，并令导数为0。
2、 构建第1个弱学习器
根据负梯度的计算方法得到下表：
以此类推，计算所有切分点情况，得到：
由此得到，当 6.5 作为切分点时，平方损失最小，此时得到第1棵决策树。
3、 构建第2个弱学习器
以此类推，计算所有切分点情况，得到：
以3.5 作为切分点时，平方损失最小，此时得到第2棵决策树
4、 构建第3个弱学习器
以此类推，计算所有切分点情况，得到：
以6.5 作为切分点时，平方损失最小，此时得到第3棵决策树
5、 构建最终弱学习器
以 x=6 样本为例：输入到最终学习器中的结果 ：（存在误差，说明学习器不够）
以此类推计算其他的预测值
6、 构建总结
- 初始化弱学习器（目标值的均值作为预测值）
- 迭代构建学习器，每一个学习器拟合上一个学习器的负梯度
- 直到达到指定的学习器个数
- 当输入未知样本时，将所有弱学习器的输出结果组合起来作为强学习器的输出
三、XGBoost
极端梯度提升树，集成学习方法的王牌，在数据挖掘比赛中，大部分获胜者用了XGBoost。
1、Xgb的构建思想
1、构建模型的方法是最小化训练数据的损失函数:
训练的模型复杂度较高，易过拟合。
2、在损失函数中加入正则化项
， 提高对未知的测试数据 的泛化性能 。
2、公式
XGBoost（Extreme Gradient Boosting）是对GBDT的改进，并且在损失函数中加入了正则化项
正则化项用来降低模型的复杂度
中的 T 表示一棵树的叶子结点数量。
中的 w 表示叶子结点输出值组成的向量，
向量的模； λ对该项的调节系数
假设我们要预测一家人对电子游戏的喜好程度，考虑到年轻和年老相比，年轻更可能喜欢电子游戏，以及男性和女性相比，男性更喜欢电子游戏，故先根据年龄大小区分小孩和大人，然后再通过性别区分开是男是女，逐一给各人在电子游戏喜好程度上打分
训练出tree1和tree2，类似之前gbdt的原理，两棵树的结论累加起来便是最终的结论
树tree1的复杂度表示为
以此类推，树tree2的复杂度表示为
目标函数为：（推导过程比较复杂，可以另行学习）
该公式也叫做打分函数 (scoring function)，从损失函数、树的复杂度两个角度来衡量一棵树的优劣。当我们构建树时，可以用来选择树的划分点，具体操作如下式所示：
计算的gain值：
1、对树中的每个叶子结点尝试进行分裂
2、计算分裂前 - 分裂后的分数：
- 如果gain > 0，则分裂之后树的损失更小，会考虑此次分裂
- 如果gain< 0，说明分裂后的分数比分裂前的分数大，此时不建议分裂
3、当触发以下条件时停止分裂：
- 达到最大深度 叶子结点数量低于某个阈值
- 所有的结点在分裂不能降低损失
- 等等...
3、XGBoost关键优势
XGBoost通过多项技术创新实现高效训练和强大泛化能力：
1、正则化：在目标函数中加入L1（LASSO）和L2（Ridge）正则化项，惩罚复杂的树结构（如叶子节点数量过多、权重过大），有效抑制过拟合。
2、并行处理：虽然Boosting是串行过程，但XGBoost在特征排序和分裂点选择上支持并行计算（特征间并行），大幅提升训练速度。
3、加权分位法（Weighted Quantile Sketch）：用于近似寻找最佳分裂点，仅需考察部分候选点，提升大规模数据下的计算效率。
4、稀疏感知（Sparsity-aware）：能自动学习处理缺失值的最佳方向（默认分到左子树或右子树），无需预先填充，并对稀疏数据（如One-hot编码）高效处理。
5、缓存访问优化（Cache-aware Access）：通过优化数据存储和访问模式（如按块访问），提高CPU缓存命中率，加速计算。
6、核外计算（Blocks for Out-of-core）：当数据无法全部装入内存时，可将数据分块存储在磁盘上，通过块压缩和预取（预取到内存缓冲区）技术减少IO开销，支持大规模数据训练。
XGBoost通过集成学习思想、梯度提升框架，并结合正则化、并行计算、稀疏感知等一系列优化，实现了预测精度与训练效率的卓越平衡。其灵活性、鲁棒性和广泛适用性使其成为处理结构化数据任务的强有力工具，是许多数据科学家和机器学习实践者的首选算法之一。
