一、基础知识
（1）泰勒公式
泰勒公式是一个用函数在某点的信息描述其附近取值的公式。具有局部有效性。
基本形式如下：
由以上的基本形式可知泰勒公式的迭代形式为：
以上这个迭代形式是针对二阶泰勒展开，你也可以进行更多阶的泰勒展开。
（2）梯度下降法
在机器学习算法中，我们的目标是最小化损失函数L(theta), 结合泰勒展开公式，我们可以得到如下的公式：
为什么这里的
, 我觉得是因为这样它和前面的
相乘之后，只要a取正值，那么他的变化值就一定是一个负数，换句话，这样就能够确保他的损失一定是减少的。
（3）牛顿法
牛顿法和梯度下降法一样都是一种优化手段。他们二者的区别在于牛顿法采用的二阶泰勒展开，而梯度下降使用的一阶泰勒展开。
二、概念解释
（1）gradient descend和gradient boosting
gradient descend和gradient boosting的区别在于前者是对于参数的更新，后者是对于模型的更新
（2）Boosting算法
Boosting算法是一种加法模型：
（3）决策树
决策树的优点：可解释性，可处理混合类型特征，具有伸缩不变形，具有特征组合的作用，可自然的处理缺失值，对异常点鲁棒， 有特征选择作用，可拓展性强，容易并行
决策树的缺点：缺乏平滑性（针对回归树）， 不适合处理高维稀疏数据
三、GBDT算法
XGBoost算法是GBDT算法的进阶版，在我们了解和实现XGBoost算法之前，要先了解GBDT算法。