下面統一以特徵為 【1，2，3，4，5，6，7，8，9，10】為例
1、exact 精確貪心模式
，僅xgb實現，lgb無，遍歷特徵的每一個分裂間隔以得到最優的區域性切分點；
在1-2，2-3，3-4，4-5。。。。9-10之間分別進行嘗試分裂計算分裂增益選擇最大分裂增益處進行分裂
2、基於直方圖的近似演算法 approx，僅xgb實現
：
就是簡單的分位數方法，預設引數是：sketch_eps=0。03，也就是1/0。03=33，分33箱，是哦那個的是等距分箱，因為是用的分位數。。。為了簡單起見我們設定sketch_eps=0。5，則分為兩箱，恰好取到1/2即中位數（5+6）/2=5。5，則【1，2，3，4，5，6，7，8，9，10】轉化為【1，1，1，1，1，2，2，2，2，2】，此時只能分為1和2了，這就是直方圖近似演算法。
需要注意的是：
approx有兩種方式，global和local，global的思路和lightgbm一樣，一次分箱，重複使用；而local則是選擇每次分裂都重新進行分位數分箱，也可以稱為我們熟悉的等距分箱。
實驗中發現，全域性k分位點取20和區域性k分位點取3，得到了近似的效果。
直觀參考下圖
3、快速直方圖演算法，
直接使用了lightgbm的思路，不過很有意思的是：
我們使用lgb的直方圖演算法執行xgb的時候，grow_policy可以使用depthwise的方案（也就是我們熟知的level-wise），而不像lgb一樣使用的是lossguide的方式（也就是我們數值的leaf-wise），xgb獲得hist提速的同時保持level-wise，depthwise的方案相對於lossguide的方案更快，因為生成的leafs 葉子節點相同的情況下，level-wise只需要傳遞更少的資料。
4、weight
quantile sketch
中文名加權分位數法，和上面介紹的approx直接使用等距分箱這種簡單的思路不同，加權分位數法是從loss的層面來進行分箱的：
這一張圖就可以看明白了，不再是根據樣本的值而是根據樣本的二階梯度進行分箱，然後再exact分裂。
詳細可見，有了lgb之後，這類近似演算法都不怎麼用了，所以簡單介紹一下就完事兒了，拜拜
原理不難，看一下就懂了。
