xgboost论文中关于cost 函数的推导一直不太明白，终于通过youtube视频了解到了理解的方法，视频链接： https://www.youtube.com/watch?v=OtD8wVaFm6E
文中有如下公式，注意在考虑此处公式的时候，隐含了一个假设，即公式中的ft(x)，是通过拟合loss针对上一步预测函数的梯度得到的。公式4中的ft(x)表示的是拟合梯度对应的树，w表示的是该树叶子节点的值，因此公式4可以统一通过归并写成只与w相关的式子。另外可以看到，当我们生成了一颗树后，可以计算其gi和hi值(gi就是对应的梯度:>,如果loss是mse，hi就是1)，通过这两个值，我们可以求得每个叶子节点的最优值(此时loss最小)，对应的最小的loss也可以通过公式6求得。换句话说，公式6可以成为衡量这棵树质量好坏的依据。通过线性搜索的方法，我们可以找出最优的那棵树，进而求出下一个梯度，继续拟合，直到loss满足条件为止
