最近在用這個算法打比賽，記錄一下
轉載博客：https://www.cnblogs.com/pengwang52/p/9623093.html、http://www.cnblogs.com/wanglei5205/p/8579244.html

boostergbtree 樹模型做為基分類器（默認）gbliner 線性模型做為基分類器 silentsilent=0時，不輸出中間過程（默認）silent=1時，輸出中間過程 nthreadnthread=-1時，使用全部CPU進行并行運算（默認）nthread=1時，使用1個CPU進行運算。 scale_pos_weight正樣本的權重，在二分類任務中，當正負樣本比例失衡時，設置正樣本的權重，模型效果更好。例如，當正負樣本比例為1:10時，scale_pos_weight=10。

模型參數

n_estimatores含義：總共迭代的次數，即決策樹的個數調參： early_stopping_rounds含義：在驗證集上，當連續(xù)n次迭代，分數沒有提高后，提前終止訓練。調參：防止overfitting。 max_depth含義：樹的深度，默認值為6，典型值3-10。調參：值越大，越容易過擬合；值越小，越容易欠擬合。 min_child_weight含義：默認值為1,。調參：值越大，越容易欠擬合；值越小，越容易過擬合（值較大時，避免模型學習到局部的特殊樣本）。可根據公式大致計算min_child_weight=1/sqrt(ratio_rare_event) subsample含義：訓練每棵樹時，使用的數據占全部訓練集的比例。默認值為1，典型值為0.5-1。調參：防止overfitting。 colsample_bytree含義：訓練每棵樹時，使用的特征占全部特征的比例。默認值為1，典型值為0.5-1。調參：防止overfitting。

學習任務參數

learning_rate含義：學習率，控制每次迭代更新權重時的步長，默認0.3。調參：值越小，訓練越慢。典型值為0.01-0.2。 objective 目標函數回歸任務reg:linear (默認)reg:logistic 二分類binary:logistic 概率 binary：logitraw 類別多分類multi：softmax num_class=n 返回類別multi：softprob num_class=n 返回概率rank:pairwise eval_metric回歸任務(默認rmse)rmse--均方根誤差mae--平均絕對誤差分類任務(默認error)auc--roc曲線下面積error--錯誤率（二分類）merror--錯誤率（多分類）logloss--負對數似然函數（二分類）mlogloss--負對數似然函數（多分類） gamma懲罰項系數，指定節(jié)點分裂所需的最小損失函數下降值。調參： alphaL1正則化系數，默認為1 lambdaL2正則化系數，默認為1

轉載于:https://www.cnblogs.com/san333/p/10803281.html

總結

以上是生活随笔為你收集整理的XGBoost的参数说明的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。