XGBoostClassifier参数
XGBoost 参数
learning_rate：学习率 [0-1] - 0.3
新路径英语n_estimators：模型中建⽴树的数量 [0-100] - 100
max_depth：树的最⼤深度，最⼤容易过拟合 [3-15] - 6
min_child_weight：划分到某个叶⼦节点的所有样本权重之和的最⼩值 [0-10] - 1
gamma：划分到叶⼦节点所需要达到的最⼩损失减少值 [0-10] -0
subsample：训练时使⽤的⼦样本占全部训练集的⽐例 [0.5-1] 1
colsamle_bytree：建树时使⽤的特征占总特征的⽐例 [0.5,1]-1
reg_alpha:L1正则化权重，越⼤可以防⽌过拟合 [0-10]-0
reg_lambda:L2正则化权重，越⼤可以防⽌过拟合 [0-10]-1
影视后期培训1.模型参数
n_estimatores
含义：总共迭代的次数，即决策树的个数
调参：
early_stopping_rounds
含义：在验证集上，当连续n次迭代，分数没有提⾼后，提前终⽌训练。
调参：防⽌overfitting。
max_depth
含义：树的深度，默认值为6，典型值3-10。
调参：值越⼤，越容易过拟合；值越⼩，越容易⽋拟合。
min_child_weight
含义：默认值为1,。
调参：值越⼤，越容易⽋拟合；值越⼩，越容易过拟合（值较⼤时，避免模型学习到局部的特殊样本）。subsample
含义：训练每棵树时，使⽤的数据占全部训练集的⽐例。默认值为1，典型值为0.5-1。
调参：防⽌overfitting。
colsample_bytree
weeks含义：训练每棵树时，使⽤的特征占全部特征的⽐例。默认值为1，典型值为0.5-1。
光芒英文调参：防⽌overfitting。
2.学习任务参数
learning_rate
含义：学习率，控制每次迭代更新权重时的步长，默认0.3。
调参：值越⼩，训练越慢。
典型值为0.01-0.2。
objective ⽬标函数
回归任务
reg:linear (默认)
reg:logistic
⼆分类
binary:logistic 概率
binary：logitraw 类别
unfriend you多分类
mwemulti：softmax num_class=n 返回类别
multi：softprob num_class=n 返回概率
rank:pairwi
eval_metric
回归任务(默认rm)
rm–均⽅根误差
mapexmae–平均绝对误差
分类任务(默认error)
auc–roc曲线下⾯积
error–错误率（⼆分类）
merror–错误率（多分类）
logloss–负对数似然函数（⼆分类）
mlogloss–负对数似然函数（多分类）
ed(默认0)
if i let you go
随机数的种⼦ 设置它可以复现随机数据的结果，也可以⽤于调整参数这个包中的参数是按sklearn风格命名的。会改变的函数名是：
eta ->learning_rate
lambda->reg_lambda
alpha->reg_alpha
3.常规参数
discharge
gamma
惩罚项系数，指定节点分裂所需的最⼩损失函数下降值。
调参：
alpha
L1正则化系数，默认为1
lambda
2013考研政治真题L2正则化系数，默认为1
booster
gbtree 树模型做为基分类器（默认）
gbliner 线性模型做为基分类器
silent
silent=0时，不输出中间过程（默认）
silent=1时，输出中间过程
nthread
nthread=-1时，使⽤全部CPU进⾏并⾏运算（默认）
nthread=1时，使⽤1个CPU进⾏运算。
scale_pos_weight
正样本的权重，在⼆分类任务中，当正负样本⽐例失衡时，设置正样本的权重，模型效果更好。例如，当正负样本⽐例为1:10时，scale_pos_weight=10。
