Xgboost与Gbdt的区别

1. GBDT以CART作为基分类器，CART以gini指数选择特征，gini指数越小，纯度越高。离散特征会依次将每个取值作为分割点计算gini系数，连续特征会依次将连续两个值的中间值作为分割点，将数据分割为S1和S2两部分，并计算该分割点的gini增益为S1和S2方差之和，随后选取gini增益最小的值作为分割点，并当做离线特征计算该特征的gini系数，最后取gini指数最小的作为最优特征与最优切分点。Xgboost还支持线性分类器，相当于带L1和L2正则化项的LR。
2. GBDT在优化时只用到一阶导数信息，Xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数，具有更高的精度。此外，Xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导。
3. Xgboost在代价函数里加入了正则项，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。
4. Xgboost具有学习速率衰减特性，具体为eta参数，在进行完一次迭代后，会将叶子节点的权重乘上该系数，主要是为了削弱每棵树的影响，让后面有更大的学习空间。
5. Xgboost借鉴了随机森林的做法，支持列抽样，不仅能降低过拟合，还能减少计算量。
6. 对于特征的值有缺失的样本，Xgboost能自动学习出它的分裂方向。
7. Xgboost工具支持并行，并行是在特征粒度上的。通常来说，决策树的学习最耗时的一个步骤就是对特征的值进行排序(因为要确定最佳分割点) ，Xgboost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。
8. 可并行的近似直方图算法。树节点在进行分裂时，我们需要计算每个特征的每个分割点对应的增益，即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下，贪心算法效率就会变得很低，所以xgboost还提出了一种可并行的近似直方图算法，用于高效地生成候选的分割点。