对比XGBoost与深度学习

观点1：XGBoost要比深度学习更重要。2016年Kaggle大赛29个获奖方案中，17个用了XGBoost。因为它好用，在很多情况下都更为可靠、灵活，而且准确；在绝大多数的回归和分类问题上，XGBoost的实际表现都是顶尖的。

观点2：针对非常要求准确度的那些问题，XGBoost确实很有优势，同时它的计算特性也很不错。然而，相对于支持向量机、随机森林或深度学习，XGBoost的优势倒也没到那种夸张的程度。特别是当你拥有足够的训练数据，并能找到合适的深度神经网络时，深度学习的效果就明显能好上一大截。

观点3：深度学习和XGBoost并不截然对立（XGBoost发起人-陈天奇博士）。两种方法在其各自擅长领域的性能表现都非常好：

• XGBoost专注于模型的可解释性，而基于人工神经网络的深度学习，则更关注模型的准确度。

• XGBoost更适用于变量数较少的表格数据，而深度学习则更适用于图像或其他拥有海量变量的数据。

不同的机器学习模型适用于不同类型的任务：

• 深度神经网络通过对时空位置建模，能够很好地捕获图像、语音、文本等高维数据。
• 基于树模型的XGBoost则能很好地处理表格数据，同时还拥有一些深度神经网络所没有的特性（如：模型的可解释性、输入数据的不变性、更易于调参等）。

这两类模型都很重要，并广泛用于数据科学竞赛和工业界。我们需要全面理解每一种模型，并能选出最适合你当前任务的那个。XGBoost、深度神经网络与其他经常要用的机器学习算法（如因子分解机、logistic回归分析等），值得机器学习行业的每一位从业者关注。这里没有一药能解百病的说法。

XGBoost性能：
）运行很快：
　　1.内存优化，大部分的内存分配在第一次加载中就完成了，之后便不再涉及动态内存分配的问题；
　　2.缓存线优化，训练模式尽可能善用缓存机制；
　　3.模型自身的改善，我们开发出模型的各种变体，从而令算法本身更具强健性、更加准确 - Introduction to Boosted Trees（http://xgboost.readthedocs.org/en/latest/model.html）；
　　4.C++和并行计算。
）在资源有限情况下仍能适用于大型数据集：
　　1.不断探索该工具的极限，以最大限度地利用计算资源，使得在在一个节点上就能运行多个实例；
　　2.使用扩展内存的版本，允许数据存在硬盘上，不必把所有数据导入内存;
　　3.分布式版本对XGBoost的每一个节点都进行过优化，可以有效地在更少节点上处理更大的数据集。