池化层是当前卷积神经网络中常用组件之一，它最早见于LeNet一文，称之为Subsample。
自AlexNet之后采用Pooling命名。
池化层是模仿人的视觉系统对数据进行降维，用更高层次的特征表示图像。
实施池化的目的：(1) 降低信息冗余；(2)。
有部分同学，在学习初期，会认为下采样和池化是指同样的事情，只是叫法。下采样（subsampled），或称为降采样（downsampled），指缩小图像。
其主要目是使得图像符合显示区域的大小，生成对应图像的缩略图。
而池化（Pooling）则是卷积神经网络中一个重要的概念，它是降采样的一种形式。
它会压缩输入的。
缩小图像（或称为下采样（subsampled）或降采样（downsampled））的主要目的有两个：1、使得图像符合显示区域的大小；2、生成对应图像的缩略图。
放大图像（或称为上采样（upsampling）或图像插值（interpolating））的主要目的是。
1.二元选择模型和多元选择模型在模型建立阶段有什么不同点？ 2.consered。truncated variable: 不能对此变量的所以样本进行观测，小于0的样本观测不到，估计时只能使用subsample。
估计方法比较类似，都是用用条件极大似然构造M-统计量，但是一个用的是全样本、一个用的是subsample，这样在有效性方面还。
2. 对于给定的学习速率和决策树数量,进行决策树特定参数调优(max_depth, min_child_weight, gamma, subsample, colsample_bytree)。
在确定一棵树的过程中,我们可以选择不同的参数,待会儿我会举例说明。
3. xgboost的正则化参数的调优。