sklearn与XGBoost

sklearn与XGBoost
　　1 在学习XGBoost之前
　　　　1.1 机器学习竞赛的胜利女神
　　　　1.2 xgboost库与XGB的sklearn API
　　　　1.3 XGBoost的三大板块
　　2 梯度提升树
　　　　2.1 提升集成算法：重要参数n_estimators
　　　　2.2 有放回随机抽样：重要参数subsample
　　　　2.3 迭代决策树：重要参数eta
　　3 XGBoost的智慧
　　　　3.1 选择弱评估器：重要参数booster
　　　　3.2 XGB的目标函数：重要参数objective
　　　　3.3 求解XGB的目标函数
　　　　3.4 参数化决策树 ：参数alpha，lambda
　　　　3.5 寻找最佳树结构：求解 与
　　　　3.6 寻找最佳分枝：结构分数之差
　　　　3.7 让树停止生长：重要参数gamma
　　4 XGBoost应用中的其他问题
　　　　4.1 过拟合：剪枝参数与回归模型调参
　　　　4.2 XGBoost模型的保存和调用
　　　　　　4.2.1 使用Pickle保存和调用模型
　　　　　　4.2.2 使用Joblib保存和调用模型
　　　　4.3 分类案例：XGB中的样本不均衡问题
　　　　4.4 XGBoost类中的其他参数和功能
　　XGBoost结语