https://xgboost.readthedocs.io/en/stable/梯度提升技术最后一段的含义是:我们拟合残差这个过程等价于\(F_m(x)h(x) \to y\)loss\(\frac{1}{2}(y-F(x))^2\)关于\(F(x)\)的梯度是\(F(x)-y\),对loss下降,表示的是对他的梯度趋于0. 也就是\(F(x)\to y\)这两个函数是等价的. (因为h(x)的定义). 总之就是用另一种方式定义了这个优化目标的正确性.算法解释:注释:2.3里面表示每次学习一个参数, 学习弱学习器配多少的常数被能让损失更小.这里面缺少一个证明, 证明2.3这么算argmin是让L越小.