基于 model = XGBClassifier(learning_rate=0.3, n_estimators=50, max_depth=5, min_child_weight=3

, gamma=0.2, subsample=0.6, colsample_bytree=1.0, objective='binary:logistic', nthread=-1, scale_pos_weight=1) ''' learning_rate：学习率，通常取值在 0.01-0.2 之间，默认为 0.3。 n_estimators：决策树的数量，也就是弱学习器的数量。一般来说，数量越大越好，但是以合理的方式增加它可以防止过拟合。默认为 100。 max_depth：决策树的最大深度。当 max_depth = 1 时为特殊的树形结构 (单层决策树) ，它会非常不稳定。通常取值 3-10 之间有最佳表现表现。默认为 6 。 min_child_weight ：子节点中最小的权重和 (w 相加) 。如果一个叶子节点的权重和小于 min_child_weight 则拆分过程会停止。 默认为 1 。 gamma ：在分裂时所需要考察特征使用次数 (split gain > gamma) 之前才会顺利分裂出新子树出来 ， 默认为 0 。 subsample ：用于随机采样原始数据集中作为新子树构造所需要的行数占总行数 ( 行 ) 百分比 , 默认是 1 代表全部使用 . colsample_bytree : 含义同上 , 列 . 默认是 1 . objective : 损失函数名 , 具体看 API 文件 , 非常多重要可供选择 . 默认是 reg:linear for regression problems and binary:logistic for classification problems with only decision, not probability prediction . nthread : 用于并行学习 xgboost 生成决策树时数目 , -1 表明使用全都 CPU 处理能力 , 非常快 ! 测试时改成 -1 有时会非常显而易见地加快运行速度 . 默认是 -1 . scale pos weight : 对于处理不平衡问题很有用 , 这釪将正例(label y = +1 ) 的权重因子 scale pos weight 进行扩大或者减小 . '''