XGBoost是一种经过行业验证的开源软件库，为快速高效地处理数十亿数据点提供了梯度提升框架。首先，本书在介绍机器学习和XGBoost在scikit-learn中的应用后，逐步深入梯度提升背后的理论知识。读者将学习决策树，并分析在机器学习环境中的装袋技术，同时学习拓展到XGBoost的超参数；并将从零开始构建梯度提升模型，将梯度提升扩展到大数据领域，同时通过计时器的使用了解速度。接着，本书重点探讨XGBoost的细节，着重于速度提升和通过数学推导导出参数。通过详细案例研究，读者将练习使用scikit-learn及原始的Python API构建和微调XGBoost分类器与回归器；并学习如何利用XGBoost的超参数来提高评分、纠正缺失值、缩放不平衡数据集，并微调备选基学习器。最后，读者将学习应用高级XGBoost技术，如构建非相关的集成模型、堆叠模型，并使用稀疏矩阵、定制转换器和管道为行业部署准备模型。
本书适合作为高等学校计算机专业、软件工程专业的高年级本科生及研究生教材，同时适合有一定机器学习基础的数据科学家、机器学习工程师和研究人员阅读，可为解决复杂的机器学习问题提供实用指导。

第一部分 装袋和提升
第1章 机器学习概览
1.1 XGBoost概览
1.2 数据整理
1.2.1 数据集1：自行车租赁数据集
1.2.2 理解数据
1.2.3 纠正空值
1.3 回归预测
1.3.1 预测自行车租赁数量
1.3.2 保存数据以备将来使用
1.3.3 声明预测列和目标列
1.3.4 理解回归
1.3.5 访问scikit-learn
1.3.6 关闭警告信息
1.3.7 线性回归建模
1.3.8 XGBoost
1.3.9 XGBRegressor
1.3.10 交叉验证
1.4 分类预测
1.4.1 什么是分类？
1.4.2 数据集2：人口普查数据集
1.4.3 XGBoost分类器
1.5 总结
……