1、XGBoost 通过构造加法模型逐步累加预测结果，以达到在给定特征向量x的情况下，得出最佳的预测值y
问题：在每一步如何得到f(x)？
思路：最小化目标函数
2、构造并推导目标函数，其中，
L：损失函数，用来衡量模型拟合训练数据的好坏程度
Omega：正则项，用来衡量学习到的模型的复杂度
3、最小化目标函数
4、具体步骤
5、以单样本为例，模拟训练与预测过程
推导到最后，发现 XGBoost 是集合 boosting 和 bagging 的大杀器，既能降低 bias ，又能降低 variance。
