最近在用这个算法打比赛，记录一下

转载博客：

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。

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）。可根据公式大致计算min_child_weight=1/sqrt(ratio_rare_event)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    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。    调参：防止overfitting。

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    多分类        multi：softmax  num_class=n   返回类别        multi：softprob   num_class=n  返回概率    rank:pairwise eval_metric    回归任务(默认rmse)        rmse--均方根误差        mae--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）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1lambda    L2正则化系数，默认为1