根据上面的知识对XGBoost公式推导
回顾: 第t次迭代后，模型的预测值= t-1次模型的预测值+第t棵树的预测值。
目标函数可以写成：
回顾泰勒公式：
泰勒公式
将误差函数在yi^ (t-1)处进行二阶泰勒展开。即对原损失函数进行泰勒展开，yi是定值，y^t是变化量，即泰勒公式中的Δx。
然后将yit展开: yit = L( y^ it-1 + ft(x))
原始损失函数左，转化为右边的公式，再做泰勒展开
至此，我们使用了一个二阶的泰勒展开公式，代表了原有的损失函数。这是一个近似值。
gi ：第i个观测值在t-1个模型下的一阶偏导数的值。
将损失函数中所有的常数项去掉：
将函数f和正则项代入公式得到以下公式：
使用贪心算法计算得: (前t-1棵树已经是定值了)
最后求上面这个loss函数最小时的最优模型即可。
定义每个叶子节点 j 上的样本集合为 Ij
解释这个式子，我们回到最初的一张图来理解：
j=1时，i=男孩；
j=2时，i=女孩；
j=3时，i=爷爷、奶奶、妈妈；
Ij 就是包含了上面三项的样本集合。
将样本累加操作转换为叶子节点的操作
最终目标函数
如果树的结构确定(q函数确定)，为了使目标函数最小，可以令导数为0，可以求得最优的w，将w代入目标函数，可以得到最终的损失为：
下面看个图来理解上面的公式，损失函数越小，我们的树形结构越好：
