本章介绍XGBoost（极限梯度提升），直接基于前面讨论的梯度提升基本思想和正则化 (regularization)方法。XGBoost是一种常用且有效的梯度提升实现方式，以多项重要改进为特点，旨在提升性能和准确性。

我们将分析使XGBoost高效的核心构成部分：

• 正则化学习目标：了解XGBoost如何将$L_1$和$L_2$惩罚项直接纳入目标函数中，以控制模型复杂度。
• 分枝寻找算法：学习寻找分枝的精确贪心算法，以及处理大规模数据集的近似算法。
• 稀疏性处理：了解其内置机制，以高效处理缺失值。
• 系统优化：回顾并行处理和缓存优化等可提高训练速度的方法。

在本章结束时，您将掌握XGBoost背后的技术细节，并准备好使用其Python库进行实现，为实际应用配置其主要参数 (parameter)。