在这一章，我们学习了集成学习。集成学习算法是机器学习算法比赛上经常使用的一类算法。与之相应的，我们通常会使用 XGBoost 框架来建立集成学习的模型。

在这个课程中，我们主要学习了 sklearn 的使用方式。其实，很多机器学习框架的使用方式，整体是大同小异的。比如，对于 XGBoost 框架的使用，官方文档的入门代码是这样的。大家看一看，是不是不需要任何解释，大家也能看懂这个过程大致在做什么？

import xgboost as xgb

# read in data
dtrain = xgb.DMatrix('demo/data/agaricus.txt.train')
dtest = xgb.DMatrix('demo/data/agaricus.txt.test')

# specify parameters via map
param = {'max_depth':2, 'eta':1, 'objective':'binary:logistic' }
num_round = 2

bst = xgb.train(param, dtrain, num_round)

# make prediction
preds = bst.predict(dtest)

在这里，希望同学们能够探索一下 XGBoost 的使用方式。网上其实也有很多教程，大家可以进行搜索学习。在学习完这个课程以后，相信大家已经对机器学习有了基本的认识，对于网上的很多机器学习相关的资料，都能够自学了：）

大家可以试验一下，使用 XGboost 进行回归任务或者分类任务，试试效果是怎样的？分享一下你的实验结果？

XGBoost 的官方网址：https://xgboost.ai/

大家加油！：）