（0）实际上GBDT泛指所有梯度提升树算法包括XGBoost，为了区分，通常GBDT特指只用了一阶导数信息的算法。
（1）传统GBDT仅以CART回归树作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。
（2）传统GBDT在优化时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。xgboost工具支持自定义代价函数，要求函数可一阶和二阶求导。
（3）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的L2模的平方和。从 Bias-variance tradeoff 角度来讲，正则项降低了模型的方差，使学习出来的模型更加简单，防止过拟合。
（4）Shrinkage（缩减），即学习速率（xgboost中的eta）。xgboost在进行完一次迭代后，会将叶子节点的权重乘上该系数，主要是为了削弱每棵树的影响，让后面有更大的学习空间。
（5）列抽样
