一、简介  XGBoost（Extreme Gradient Boosting）和LightGBM（Light Gradient Boosting Machine）都是梯度提升树（Gradient Boosting Trees）的变种，用于解决各种机器学习问题，如分类、回归和排名。它们都基于集成学习的思想，通过组合多个弱学习器（通常是决策树）来构建一个强大的预测模型。作为机器学习经典的算法，常用来解决各种分类、CTR预估等问题，在各大公司的业务场景也有着广泛的使用。  二、面经  1、XGBOOST的思想是什么？  2、XGBOOST如何寻找最优特征，是有放回还是无放回？  3、XGBOOST中使用了并行化计算，XGBOOST是怎么并行的？  4、XGBOOST的树生长时的精确分裂与近似分裂分别是怎么做的？  5、XGBOOST如何计算特征重要度的？  6、XGBOOST如何停止树的循环生成？  7、XGBOOST二阶泰勒展开去逼近的函数是什么？自变量是什么？  8、为什么要二阶泰勒展开，优势在哪里？  9、如果没有二阶导怎么办？  10、XGBoost与GBDT的联系和区别有哪些?  11、XGBOOST和LightGBM的区别？  12、XGBoost缺失值的处理方法是什么？  13、可以介绍一下XGBOOST中的block结构吗？  14、XGBOOST对类别特征采用one-hot编码，那么其弊端是？  15、XGBOOST是如何做二分类和多分类的？  16、XGBOOST为了控制过拟合，做了什么？  17、XGBOOST的正则项是什么？  18、XGBOOST在处理过拟合的时候，有一个gamma参数，是来干嘛的？  19、XGBOOST的近似直方图算法也类似于LightGBM的直方图算法，为什么XGBOOST的直方图算法要慢很多呢？  20、XGBOOST支持哪几种基分类器？  21、XGBOOST每一轮迭代拟合的是什么？  22、LightGBM对类别特征怎么处理的？  23、Light采用的是many vs many的方式，实现类别特征的划分，具体来说是怎么样的？直方图算法？  24、LightGBM的优势？相对XGBOOST来说的优势，改进？  25、LightGBM做了哪方面的并行？  26、Leaf-wise和Level-wise有什么不同  27、LightGBM中能说说histogram(直方图)算法吗？  28、介绍一下LightGBM中单边梯度采样算法(GOSS)？  29、介绍一下LightGBM中互斥特征捆绑算法(EFB)？  30、LightGBM中特征之间如何捆绑？  三、面经参考回答  1、XGBOOST的思想是什么？  参考回答：XGBOOST的思想简而言之就是不断地添加树，不断地进行特征分裂来生长一棵树，每次添加一个树，其实是学习一个新函数f(x)，去拟合上次预测的残差。当我们训练完成得到k棵树，我们要预测一个样本的score，其实就是根据这个样本的特征，在每棵树中会落到对应的一个叶子节点，每个叶子节点就对应一个分数。最后只需要将每棵树对应的分数加起来就是该样本的预测值。  2、XGBOOST如何寻找最优特征，是有放回还是无放回？  参考回答：XGBoost在训练的过程中给出各个特征的评分，从而表明每个特征对模型训练的重要性。XGBoost利用梯度优化模型算法, 样本是不放回的(想象一个样本连续重复抽出,梯度来回踏步会不会高兴)。但 XGBoost 支持子采样, 也就是每轮计算可以不使用全部样本。  3、XGBOOST中使用了并行化计算，XGBOOST是怎么并行的？  参考回答：XGBOOST的并行化并不是类似于RF(随机森林)那样树与树之间并行化训练。XGBOOST同BOOSTING方法一样，在树的训练过程中是串行的，它的并行体现主要有两个方面，首先，它对gbdt作了一些改进，加了线性回归分类器而不是只有cart回归树，但默认参数还是cart回归。为了能加快并行，xgb对特征进行了预排序，存成了block结构，可以直接快速获得切分点增益了，这里有两处并行的操作，第一步是遍历节点，树的一层节点可以并行做，因为xgb是按层不加区分的去切分每一个结点，每个结点都会尝试分类，所以构建的是一个非常茂盛的树，既然每个结点都要尝试分裂，就可以对每个结点并行去切分。结点的切分要选择一个特征的一个分裂点切分，这一步可以在特征维度上并行。由于gbdt类基模型相关性，做不把串行树做到并行的，所以并行主要在结点分裂和特征分裂上。不过为了防止过拟合，当分裂的增益小于阈值时，就不分裂了，算是预剪枝了。  4、XGBOOST的树生长时的精确分裂与近似分裂分别是怎么做的？  参考回答：精确分裂也叫作贪心分裂，是遍历所有特征中可能的分裂点位置。当数据量非常大难以被全部加载进内存时或者分布式环境下时，贪心算法将不再合适。近似分裂通过特征的分布，按照分位数确定一组候选分裂点，通过遍历所有的候选分裂点来找到最佳分裂点。分位数的确定考虑了样本点在当前特征下的权重，权重值取损失函数的二阶导数在该样本点下的值。分裂算法有两种，一种是精确的分裂，一种是近似分裂算法，精确分裂算法就是把每个属性的每个取值都当作一次阈值进行遍历，采用的决策树是CART。近似分裂算法是对每个属性的所有取值进行分桶，按照各个桶之间的值作为划分阈值，xgboost提出了一个特殊的分桶策略，一般的分桶策略是每个样本的权重都是相同的，但是xgboost使每个样本的权重为损失函数在该样本点的二阶导。  5、XGBOOST如何计算特征重要度的？  参考回答：一般来说，特征重要性分数，衡量了特征在提升决策树构建中的价值，一个属性越多的被用来在模型中构建决策树，它的重要性就相对越高。特征重要性是通过统计Xgboost所有树中各特征被用于最优分裂的加权计数得到，并进行了排序。在单个决策树中通过属性分裂点改进性能度量来计算属性的重要性，由节点负责加权和记录次数。也就说一个属性对分裂点改进性能度量越大（越靠近根节点），权值越大，被越多提升树所选择，属性越重要。比如说一个属性在一个由两棵树构成的xgboost中，得分是由该属性分别在1，2树中作为最优属性的次数乘以权重后的平均值。最终将一个属性在所有提升树中的结果进行加权求和然后求平均，得到重要性评分。  6、XGBOOST如何停止树的循环生成？  参考回答：这里主要通过三个参数来限制树的一个循环生成。设置树的最大深度、当样本权重和小于设定阈值时停止生长以防止过拟合。具体而言：     设定一个阀值：当引入的分裂带来的增益小于设定阀值的时候，我们可以忽略掉这个分裂，所以并不是每一次分裂loss function整体都会增加的，有点预剪枝的意思，阈值参数为（即正则项里叶子节点数T的系数）。   设置超参数max_depth:当树达到最大深度时则停止建立决策树，避免树太深导致学习局部样本，从而过拟合。   设置样本的权重: 样本权重和小于设定阈值时则停止建树。什么意思呢，即涉及到一个超参数:最小的样本权重min_child_weight，和GBM的 min_child_leaf 参数类似，但不完全一样。大意就是一个叶子节点样本太少了，也终止同样是防止过拟合。      7、XGBOOST二阶泰勒展开去逼近的函数是什么？自变量是什么？  参考回答：自变量是叶子结点的权重，每棵树存到叶子结点下，这个叶子结点就有一个权重，XGBOOST第一要学习的是结构，结构就是每一个结点用什么特征去分裂，以及用哪些特征值。  8、为什么要二阶泰勒展开，优势在哪里？  参考回答：主要有两点原因：1、xgboost是以mse为基础推导出来的，在mse的情况下，xgboost的目标函数展开就是一阶项+二阶项的形式，为了后续推导的统一，所以将目标函数进行二阶泰勒展开，就可以直接自定义损失函数了，只要二阶可导即可，增强了模型的扩展性。2、二阶信息能够让梯度收敛的更快，类似牛顿法比SGD收敛更快。一阶信息描述梯度变化方向，二阶信息可以描述梯度变化方向是如何变化的。  9、如果没有二阶导怎么办？  参考回答：gbdt的目标函数与xgboost区别就是带不带正则项(算法内容上)。gbdt对损失函数的优化是直接使用了损失函数的负梯度，沿着梯度下降的方向来减小损失，其是也就是一阶泰勒展开。而xgboost在这里使用了二阶泰勒展开，因为包含了损失函数的二阶信息，其优化的速度大大加快。但如果loss没有二阶导数，就使用一阶导数优化。  10、XGBoost与GBDT的联系和区别有哪些?  参考回答：XGBoost与GBDT两者的联系和区别如下：     GBDT是机器学习算法，XGBoost是该算法的工程实现。   XGBoost工具在训练的时候支持并行，它在每棵树寻找分裂点的时候，是可以进行并行计算的，对于每一个特征，他都需要计算这个特征分裂的时候的方差，然后选择一个方差最小的进行分类，这个过程是可以并行进行的，因为它在计算这个特征的分类方差的时候，并不会影响到其他的特征的计算。所以，XGBOOST将各列分块存储，在进行各列的分裂点计算查找时，可以在多线程，或者多台机器上并行进行。   在使用CART作为基分类器时，XGBoost显式地加入了正则项来控制模型的复杂度，正则项包括树的叶子结点个数，有利于防止过拟合，从而提高模型的泛化能力。   GBDT在模型训练时只使用了代价函数的一阶导数信息，XGBoost对代价函数进行二阶泰勒展开，可以同时使用一阶和二阶导数，训练速度更快。   传统的GBDT采用CART作为基分类器，XGBoost支持多种类型的基分类器，比如线性分类器，这个时候相当于带L1和L2正则项的逻辑回归（分类）或者是线性回归（回归）。   Shrinkage(缩减)：相当于学习速率，xgboost在进行完一次迭代后，会将叶子结点的权重乘以该系数，主要是为了削弱每一颗树的影响，让后面有更大的学习空间。   列抽样，XGBoost借鉴了随机森林的做法，支持列采样，不仅能降低过拟合，还能减少计算。传统的GBDT没有设计对缺失值进行处理，XGBoost能够自动学习出缺失值的处理策略。      11、XGBOOST和LightGBM的区别？  参考回答：XGBoost与LightGBM两者的联系和区别如下：     切分算法（切分点的选取）：XGBoost通过对所有特征都按照特征的数值进行预排序选取最