XGBoost（ Ex treme G radient Boost ing）是一个优化的分布式梯度增强库。 是的，它的核心是使用梯度增强（GBM）框架。 XGBoost由华盛顿大学博士生Tianqi Chen创建，主要用于监督机器学习问题。它主要有以下特点：

1. 并行计算：通过并行处理（使用OpenMP）启用; 也就是说，当你运行xgboost时，默认情况下，它将使用你的笔记本电脑/机器的所有内核。
2. 正规化：我相信这是xgboost的最大优势。 GBM没有规范化的规定。 正则化是一种用于避免线性和基于树的模型中过度拟合的技术。
3. 启用交叉验证：在R中，我们通常使用外部包（如插入符和mlr）来获取CV结果。 但是，xgboost启用了内部CV函数（我们将在下面看到）。
4. 缺少值： XGBoost旨在在内部处理缺失值。 缺失值的处理方式是，如果缺失值存在任何趋势，则由模型捕获。
5. 灵活性：除回归，分类和排名问题外，它还支持用户定义的目标函数。 在给定一组参数的情况下，目标函数用于测量模型的性能。 此外，它还支持用户定义的评估指标。
6. 可用性：目前，它可用于编程语言，如R，Python，Java等。
7. 保存和重新加载： XGBoost为我们提供了保存数据矩阵和模型的功能，并在以后重新加载。 假设我们有一个大型数据集，我们可以简单地保存模型并在将来使用它，而不是浪费时间重做计算。
8. 树修剪：与GBM不同，一旦遇到负损失，树修剪停止，XGBoost将树增长到max_depth，然后向后修剪，直到损失函数的改善低于阈值。

XGBoost不难理解，但优化起来相对麻烦。