xgboost中XGBClassifier()參數

#常規參數

booster
    gbtree 樹模型做爲基分類器（默認）
    gbliner 線性模型做爲基分類器
silent
    silent=0時，輸出中間過程（默認）
    silent=1時，不輸出中間過程
nthread
    nthread=-1時，使用全部CPU進行並行運算（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，當正負樣本比例爲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n次迭代，分數沒有提高後，提前終止訓練。
    調參：防止overfitting。
max_depth
    含義：樹的深度，默認值爲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：默認值爲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）。
subsample
    含義：訓練每棵樹時，使用的數據佔全部訓練集的比例。默認值爲1，典型值爲0.5-1。
    調參：防止overfitting。
colsample_bytree
    含義：訓練每棵樹時，使用的特徵佔全部特徵的比例。默認值爲1，典型值爲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。
    典型值爲0.01-0.2。
objective 目標函數
    迴歸任務
        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
    迴歸任務(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
    懲罰項係數，指定節點分裂所需的最小損失函數下降值。
    調參：
alpha
    L1正則化係數，默認爲1
lambda
    L2正則化係數，默認爲1

參數樣例：

model = XGBClassifier(
        booster='gbtree',
        eval_metric='auc',
        n_estimators=140,
        learning_rate =0.05,
        max_depth=7,
        min_child_weight=0.1,
        gamma=20,
        subsample=0.7,
        colsample_bytree=0.7,
        colsample_level=0.7,
        objective= 'binary:logistic',
        nthread=4,
        scale_pos_weight=2,
        reg_alpha=5.4
        reg_lambda=1,
        seed=27,
        alpha=0.1,
        eta= 0.1, 
        silent=0)