下面统一以特征为 【1，2，3，4，5，6，7，8，9，10】为例
1、exact 精确贪心模式，仅xgb实现，lgb无，遍历特征的每一个分裂间隔以得到最优的局部切分点；
在1-2，2-3，3-4，4-5。。。。9-10之间分别进行尝试分裂计算分裂增益选择最大分裂增益处进行分裂
2、基于直方图的近似算法 approx，仅xgb实现：
就是简单的分位数方法，默认参数是：sketch_eps=0.03，也就是1/0.03=33，分33箱，是哦那个的是等距分箱，因为是用的分位数。。。为了简单起见我们设置sketch_eps=0.5，则分为两箱，恰好取到1/2即中位数(5+6)/2=5.5，则【1，2，3，4，5，6，7，8，9，10】转化为【1,1,1,1,1,2,2,2,2,2】，此时只能分为1和2了，这就是直方图近似算法。
需要注意的是：
approx有两种方式，global和local，global的思路和lightgbm一样，一次分箱，重复使用；而local则是选择每次分裂都重新进行分位数分箱，也可以称为我们熟悉的等距分箱。
实验中发现，全局k分位点取20和局部k分位点取3，得到了近似的效果。
直观参考下图
3、快速直方图算法，
直接使用了lightgbm的思路，不过很有意思的是：
我们使用lgb的直方图算法运行xgb的时候，grow_policy可以使用depthwise的方案（也就是我们熟知的level-wise），而不像lgb一样使用的是lossguide的方式（也就是我们数值的leaf-wise），xgb获得hist提速的同时保持level-wise，depthwise的方案相对于lossguide的方案更快，因为生成的leafs 叶子节点相同的情况下，level-wise只需要传递更少的数据。
4、weight quantile sketch
中文名加权分位数法，和上面介绍的approx直接使用等距分箱这种简单的思路不同，加权分位数法是从loss的层面来进行分箱的：
这一张图就可以看明白了，不再是根据样本的值而是根据样本的二阶梯度进行分箱，然后再exact分裂。
