目标函数：其中的误差函数可以自定义（满足二阶可导），正则项可以L1或L2
gi = 前t-1棵树的预测与真实值的损失函数在y(t-1)处的导数
q(x)就是 输入在叶子节点上的映射，w(qx) 就是映射对应的打分
就是对将要生成的树的打分的惩罚项
将样本数换算为每个节点上的样本数j，总共T个节点,每个节点的得分w是一样的
w衡量打多少分是最好，L就是衡量一个树有多好
正则化
：
直观上看，节点数值尽量不极端（这个怎么看，如果某个样本label数值为4，那么第一个回归树预测3，第二个预测为1；另外一组回归树，一个预测2，一个预测2，那么倾向后一种，为什么呢？前一种情况，第一棵树学的太多，太接近4，也就意味着有较大的过拟合的风险）（可以理解为第二组的两个专家给出了一致意见，都给2分）
总结来说可能就是：在前1棵树的预测基础上 比较和真实值的区别，以此来影响当前树的生成，（假设结构确定）
当优化方法确定后，树的结构就是依据优化方法的指导，采用贪心算法尝试不同的分裂，寻找一个能使Gain较大的分裂方法，以此确定相对较好的结构。
Xgboost的特点：
1.w是最优化求出来的，不是啥平均值或规则指定的
2.支持自定义loss function
3.支持并行化，boosting技术中下一棵树依赖上述树的训练和预测，所以树与树之间应该是只能串行！那么大家想想，哪里可以并行？！ 没错，在选择最佳分裂点，进行枚举的时候并行！（据说恰好这个也是树形成最耗时的阶段）
4.Shrinkage，你可以是几个回归树的叶子节点之和为预测值，也可以是加权，比如第一棵树预测值为3.3，label为4.0，第二棵树才学0.7，….再后面的树还学个鬼，所以给他打个折扣，比如3折，那么第二棵树训练的残差为4.0-3.3*0.3=3.01，这就可以发挥了啦，以此类推，作用是啥，防止过拟合
Xgboost参数：
1）eta：shrinkage参数，更新叶子节点权重时，乘以该系数避免步长过大。
2）min_child_weight：default=1]参数默认是 1，每个叶子里面 h 的和至少是多少，对正负样本不均衡时的 0-1 分类而言，假设 h 在 0.01 附近，min_child_weight 为 1 意味着叶子节点中最少需要包含 100 个样本。这个参数非常影响结果，控制叶子节点中二阶导的和的最小值，该参数值越小，越容易 overfitting。
3） max_depth [default=6]：每颗树最大深度
4）max_leaf_nodes：最大叶结点数
5） gamma [default=0]：后剪枝时，用于控制是否后剪枝的参数。
6）subsample [default=1]：样本随机采样，较低的值使得算法更加保守，防止过拟合，但是太小的值也会造成欠拟合。
7）colsample_bytree [default=1]：列采样，对每棵树的生成用的特征进行列采样。一般设置为： 0.5-1。
8） lambda [default=1]：控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。
9）alpha [default=0]:控制模型复杂程度的权重值的 L1 正则项参数，参数值越大，模型越不容易过拟合。 （叶节点个数）
增大树的数量的同时减小学习率
参考链接：
https://www.cnblogs.com/jiangxinyang/p/9248154.html
http://www.cnblogs.com/fujian-code/p/9018114.html
https://blog.csdn.net/u013648367/article/details/79726078
https://blog.csdn.net/ccblogger/article/details/81865540
https://blog.csdn.net/niaolianjiulin/article/details/76574216