XGBoost和GBDT的优缺点及XGBoost可并行的原因。

xgboost优点主要有：

1）防止过拟合
传统的GBDT是以CART作为基分类器，xgboost除了以cart还支持线性分类器，这个时候XGBOOST相当于带L1和L2正则化的逻辑斯蒂回归（分类问题）或者线性回归（回归问题），并且还支持hadoop分布式计算。xgboost在代价函数里加入了正则项，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score是L2模的平方和。使学习出来的模型更加简单，防止过拟合，这也是xgboost优于传统GBDT的一个特性。
2）求导
传统的GBDT在优化的hih只用到一阶导数信息，xgboost则对代价函数进行了二阶泰勒展开，同时用到了一阶和二阶导数,而不是像GBDT里的就是一阶导数；
3）高度的灵活性
XGBoost允许用户定义自定义优化目标和评价标准，xgboost工具支持自定义代价函数，只要函数可一阶和二阶求导。
4）节点分裂的方式不同
GBDT是用的基尼系数，XGBoost是经过优化推导后的。Shrinkage（缩减），相当于学习速率。xgboost在进行完一次迭代后，会将叶子节点的权重乘上该系数，主要是为了消弱每棵树的影响，让后面有更大的学习空间。在实际应用中，一般把学习率设置的小一点，然后迭代次数设置的大一点（补充：传统GBDT的实现也有学习速率）
5）列抽样。
xgboost借鉴了随机森林的做法，支持列抽样，不仅能降低过拟合，还能减少计算。
6）缺失值处理
XGBoost内置处理缺失值的规则。用户需要提供一个和其它样本不同的值，然后把它作为一个参数传进去，以此来作为缺失值的取值。XGBoost在不同节点遇到缺失值时采用不同的处理方法，并且会学习未来遇到缺失值时的处理方法。对于特征的值有缺失的样本，xgboost可以自动学习出她的分裂方向。
7）内置交叉验证
XGBoost允许在每一轮b