XGBoost参数介绍
XGBoost 的设置有三种参数：⼀般参数，提升参数和学习参数。
⼀般参数取决于提升器，通常是树或线性模型
提升参数取决于选择的提升器的相关参数
学习参数取决于指定学习任务和相应的学习⽬标
⼀般参数 (general parameters)
booster：选择提升器，默认是 tree
letterpresssilent：是否打印信息，默认是 0 不打印
nthread：线程数，默认为最⼤可⽤线程数
毕业论文答辩技巧
香港留学申请num_pbuffer：缓冲区⼤⼩，默认为训练实例的数量
num_feature：特征纬度，默认为特征的最⾼纬度
提升参数 (booster parameters)
eta：学习率，范围 [0, 1]，默认为 0.3。该参数越⼩，计算速度越慢；该参数越⼤，有可能⽆法收敛
gamma：控制叶⼦个数的参数，范围 [0, +∞)，默认为 0。该参数越⼤，越不容易过拟合
max_depth：每颗树的最⼤深度，范围 [0, +∞)，默认为 6。该参数越⼤，越容易过拟合
min_child_weight：每个叶⼦⾥⾯的最⼩权重和，范围 [0, +∞)，默认为 1。该参数越⼤，越不容易过拟合
subsample：样本采样⽐率，范围 (0, 1]，默认为 1。如果取 0.5 代表随机⽤ 50% 的样本集⽤来训练
colsample_bytree：列采样⽐率，范围 (0, 1]，默认为 1。对每棵树的⽣成⽤的特征进⾏列采样，类似于随机森林的列采样
lambda：L2 正则化参数，范围 [0, +∞)，默认为 1。该参数越⼤，越不容易过拟合。
libor
alpha：L1 正则化参数，范围 [0, +∞)，默认为 0。该参数越⼤，越不容易过拟合。
scale_pos_weight：控制正反类的平衡参数，范围 [0, +∞)，默认为 1。该参数通常设为“反类的总和/
hubris
正类的总和”
学习参数 (learning parameters)
objective：损失函数，默认为 linear。其他常见类型有：
猴子英文怎么写reg:logistic – ⼆分类
binary:logistic – ⼆分类概率
multi:softmax – 多分类
multi:softprob – 多分类概率
rank:pairwi – 排序
ba_score：预测分数，默认为 0.5。最初每个样例的预测分数。
eval_metric：评估指标。该指标⽤在验证集上，⽐如回归任务默认的是 rm；分类任务默认为 error；排序任务默认为 map。其他常见类型有：
rm – root mean square error
the natural
广州厨师培训中心mae – mean absolute error
logloss – negative log-likelihood培训会计
error – binary classification error rate
merror – multiclass classification error rate
4860mlogloss – multiclass logloss
auc – area under the curve
map – mean average precision
ed：随机种⼦，默认为 0，⽤于产⽣可复现的结果
