博主在之前也写过较多的预测模型的文章，主要是基于LSTM，见下：使用Conv1D-LSTM进行时间序列预测：预测多个未来时间步【优化】使用Conv1D-LSTM进行时间序列预测：预测多个未来时间步LSTM-理解Part-1（RNN：循环神经网络）PythonLSTM时序数据的预测（一些数据处理的方法）机器学习Pytorch实现案例LSTM案例（航班人数预测）接下来主要是依据回归模型对销售进行预测，见下：导入库importpandasaspdimportnumpyasnpfromsklearn.linear_modelimportBayesianRidge,ElasticNetfromsklea

XGBoost的decisiontree用的是pre-sortedbased的算法，也就是在treebuilding之前对各维特征先排序，代表性的算法是SLIQ和SPRINT。SLIQ和SPRINT算法的特点决定了树生长的方式是level-wise(breadth-first)的。而LightGBM的decisiontree是histogrambased的算法，也就是先将特征离散化，代表性的算法是CLOUDS,Mcrank和Machado。即采用leaf-wise的方式。Catboost参考：GitHub-wepe/efficient-decision-tree-notes:高效决策树算法系列

我已经知道“xgboost.XGBRegressor是XGBoost的Scikit-LearnWrapper接口(interface)。”但是它们还有什么不同吗？ 最佳答案 xgboost.train是通过梯度提升方法训练模型的低级API。xgboost.XGBRegressor和xgboost.XGBClassifier是包装器(Scikit-Learn类包装器，正如他们所说)DMatrix并传入相应的目标函数和参数。最后，fit调用简单地归结为:self._Booster=train(params,dmatrix,self.n_