本书首先介绍了scikit-learn中的机器学习和XGBoost技术，然后探讨了梯度提升背后的理论知识。包括决策树、装袋技术及XGBoost超参数。本书将从头开始构建梯度提升模型，并将梯度提升扩展到大数据领域。本书重点探讨XGBoost的细节，着重于速度增强和通过数学推导导出参数。通过详细案例研究，练习使用 scikit-learn 、原始的 Python API 构建、以及微调 XGBoost 分类器和回归器。利用XGBoost超参数来提高评分、纠正缺失值、缩放不平衡数据集以及微调备选基学习器。最后，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、定制的转换器和管道为行业部署准备模型。全书共分3篇：第1篇（第1～4章）为入门篇，介绍XGBoost背后的实用理论，包括装袋和提升模型结构、数据预处理、回归和分类模型、XGBoost基本模型及超参数微调；第2篇（第5～7章）为进阶篇，介绍XGBoost框架构成及超参数优化；第3篇（第8~10章）为进阶篇，着重讨论微调备选基学习器、创新技巧、特征工程，并使用稀疏矩阵、定制转换器和管道，练习构建适合行业部署的模型。全书提供了大量应用实例。本书适合作为高等院校计算机、软件工程专业高年级本科生、研究生的教材，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，为解决复杂问题提供实用指导。