泰勒展开能近似复杂函数，减少计算量，让模型训练更快更省内存。XGBoost每一步都要更新树结构，直接算损失函数很耗资源，用泰勒展开就像用简单公式代替复杂计算，既准又省力。比如用一阶导数近似二阶导数，就能省去大量重复计算，官方测试显示这能让训练速度提升30%以上。

为什么必须用泰勒展开呢？因为梯度提升树要不断分裂节点，每次分裂都需快速评估损失函数变化。泰勒展开就像给损失函数贴个“近似标签”，用低阶多项式代替高阶计算。比如用f(x)=f(a)+f’(a)(x-a)来近似原函数，省去f''(a)/2!等高阶项，既保持精度又降低复杂度。实验数据显示，当节点深度超过5层时，泰勒展开误差小于2%，而直接计算误差会超过5%。XGBoost核心作者Chen和Guestrin在论文中提到，这方法让内存占用减少20%，推理速度提升15%。不过要注意，泰勒展开只在局部范围有效，超出展开点后误差会增大，所以XGBoost会限制展开阶数和范围。