XGBoost 参数
在运行 XGBoost 之前，我们必须设置三种类型的参数：通用参数、Booster 参数和任务参数。
通用参数 与我们用于提升的 Booster 相关，通常是树模型或线性模型
Booster 参数 取决于您选择的 Booster
学习任务参数 决定学习场景。例如，回归任务可能与排序任务使用不同的参数。
命令行参数 与 XGBoost CLI 版本的行为相关。
注意
R 包中的参数
在 R 包中，您可以使用 .（点）来替换参数中的下划线，例如，您可以使用 max.depth 来表示 max_depth。下划线参数在 R 中也是有效的。
全局配置
以下参数可在全局范围内设置，使用 xgboost.config_context() (Python) 或 xgb.set.config() (R)。
verbosity: 打印消息的详细程度。有效值为 0（静默）、1（警告）、2（信息）和 3（调试）。use_rmm: 是否使用 RAPIDS Memory Manager (RMM) 分配缓存 GPU 内存。当 XGBoost 启用 RMM 插件构建（编译）时，主内存始终在 RMM 池上分配。有效值为true和false。详情请参见 将 XGBoost 与 RAPIDS Memory Manager (RMM) 插件配合使用。nthread: 设置 OpenMP 的全局线程数。仅在需要覆盖某些 OpenMP 相关环境变量（如OMP_NUM_THREADS）时使用此选项。否则，应优先使用 Booster 和 DMatrix 中的nthread参数，因为前者设置了全局变量，可能与其他库冲突。
通用参数
booster[默认值=gbtree]使用哪种 Booster。可以是
gbtree,gblinear或dart；gbtree和dart使用基于树的模型，而gblinear使用线性函数。
device[默认值=cpu]2.0.0 版本新增。
XGBoost 运行设备。用户可以将其设置为以下值之一
cpu: 使用 CPU。cuda: 使用 GPU (CUDA 设备)。cuda:<ordinal>:<ordinal>是一个整数，指定 GPU 的序号（如果您有多个设备，要使用哪个 GPU）。gpu: 从可用和支持的设备列表中选择默认 GPU 设备。目前仅支持cuda设备。gpu:<ordinal>: 从可用和支持的设备列表中选择默认 GPU 设备。目前仅支持cuda设备。
有关 GPU 加速的更多信息，请参见 XGBoost GPU 支持。在分布式环境中，序号选择由分布式框架处理，而不是 XGBoost。因此，使用
cuda:<ordinal>将导致错误。请改用cuda。
verbosity[默认值=1]打印消息的详细程度。有效值为 0（静默）、1（警告）、2（信息）、3（调试）。有时 XGBoost 会尝试基于启发式方法更改配置，这会显示为警告消息。如果出现意外行为，请尝试增加详细程度的值。
validate_parameters[默认为false，Python、R 和 CLI 接口除外]设置为 True 时，XGBoost 将执行输入参数验证，检查参数是否被使用。当存在未知参数时，会发出警告。
nthread[未设置时默认为最大可用线程数]运行 XGBoost 使用的并行线程数。选择时，请考虑线程竞争和超线程。
disable_default_eval_metric[默认值=false]禁用默认指标的标志。设置为 1 或
true禁用。
树 Booster 参数
eta[默认值=0.3，别名:learning_rate]更新中使用的步长收缩，以防止过拟合。在每次提升步骤后，我们可以直接获得新特征的权重，
eta会收缩特征权重，使提升过程更加保守。范围: [0,1]
gamma[默认值=0，别名:min_split_loss]在树的叶节点上进行进一步划分所需的最小损失减少量。
gamma越大，算法越保守。请注意，即使没有进行任何分割，树仍然可能包含一个具有非零分数的单个终端节点。范围: [0,∞]
max_depth[默认值=6, 类型=int32]树的最大深度。增加此值将使模型更复杂，更容易过拟合。0 表示深度无限制。请注意，XGBoost 在训练深树时会大量消耗内存。
exact树方法要求该值非零。范围: [0,∞]
min_child_weight[默认值=1]子节点中所需的最小实例权重（Hessian）之和。如果树划分步骤导致叶节点的实例权重之和小于
min_child_weight，则构建过程将放弃进一步划分。在线性回归任务中，这仅对应于每个节点所需的最小实例数。min_child_weight越大，算法越保守。范围: [0,∞]
max_delta_step[默认值=0]允许每个叶输出的最大 delta 步长。如果值为 0，则表示没有约束。如果设置为正值，可以帮助使更新步骤更加保守。通常不需要此参数，但在类极度不平衡的逻辑回归中可能会有所帮助。将其设置为 1-10 的值可能有助于控制更新。
范围: [0,∞]
subsample[默认值=1]训练实例的子样本比例。设置为 0.5 表示 XGBoost 在生成树之前会随机抽取一半的训练数据，这可以防止过拟合。子采样会在每次提升迭代中进行一次。
范围: (0,1]
sampling_method[默认值=uniform]用于采样训练实例的方法。
uniform: 每个训练实例被选中的概率相等。通常将subsample设置为 >= 0.5 以获得良好结果。gradient_based: 每个训练实例的选择概率与梯度的正则化绝对值成正比（更具体地说，\(\sqrt{g^2+\lambda h^2}\)）。subsample可以设置得低至 0.1 而不损失模型精度。请注意，此采样方法仅在tree_method设置为hist且设备为cuda时支持；其他树方法仅支持uniform采样。
colsample_bytree,colsample_bylevel,colsample_bynode[默认值=1]这是一系列用于列子采样的参数。
所有
colsample_by*参数的范围为 (0, 1]，默认值为 1，指定要进行子采样的列的比例。colsample_bytree是构建每棵树时列的子样本比例。每构建一棵树进行一次子采样。colsample_bylevel是每个级别的列的子样本比例。在树中达到每个新的深度级别时进行一次子采样。列从当前树选择的列集中进行子采样。colsample_bynode是每个节点（分割）的列的子样本比例。每次评估一个新的分割时进行一次子采样。列从当前级别选择的列集中进行子采样。精确树方法不支持此选项。colsample_by*参数是累积生效的。例如，在 64 个特征的情况下，组合{'colsample_bytree':0.5, 'colsample_bylevel':0.5, 'colsample_bynode':0.5}将在每个分割时留下 8 个特征可供选择。使用 Python 或 R 包，可以为 DMatrix 设置
feature_weights，以在使用列采样时定义每个特征被选中的概率。在 sklearn 接口的fit方法中也有类似的参数。
lambda[默认值=1，别名:reg_lambda]权重的 L2 正则化项。增加此值将使模型更保守。
范围: [0, \(\infty\)]
alpha[默认值=0，别名:reg_alpha]权重的 L1 正则化项。增加此值将使模型更保守。
范围: [0, \(\infty\)]
tree_method字符串 [默认值=auto]scale_pos_weight[默认值=1]更新器一个逗号分隔的字符串，定义要运行的树更新器序列，提供了一种模块化的方式来构建和修改树。这是一个高级参数，通常根据其他一些参数自动设置。但是，用户也可以显式设置。存在以下更新器
grow_colmaker: 非分布式基于列的树构建。grow_histmaker: 基于全局直方图计数提案的分布式基于行的树构建。grow_quantile_histmaker: 使用量化直方图生长树。grow_gpu_hist: 当tree_method设置为hist且device=cuda时启用。grow_gpu_approx: 当tree_method设置为approx且device=cuda时启用。sync: 同步所有分布式节点中的树。refresh: 根据当前数据刷新树的统计信息和/或叶值。请注意，不会进行数据行的随机子采样。prune: 修剪损失 < min_split_loss (或 gamma) 的分割以及深度大于max_depth的节点。
refresh_leaf[默认值=1]这是
refresh更新器的参数。当此标志为 1 时，将更新树叶节点和树节点的统计信息。当为 0 时，仅更新节点统计信息。
process_type[默认值=default]要运行的提升过程类型。
选项:
default,updatedefault: 创建新树的正常提升过程。update: 从现有模型开始，只更新其树。在每次提升迭代中，从初始模型中取出一棵树，为该树运行指定的更新器序列，然后将修改后的树添加到新模型中。新模型将具有相同或更少的树数量，取决于执行的提升迭代次数。目前，以下内置更新器可以有意义地与此过程类型一起使用：refresh,prune。使用process_type=update时，不能使用创建新树的更新器。
grow_policy[默认值=depthwise]控制向树中添加新节点的方式。
目前仅在
tree_method设置为hist或approx时支持。选项:
depthwise,lossguidedepthwise: 在最靠近根节点的节点处进行分割。lossguide: 在损失变化最大的节点处进行分割。
max_leaves[默认值=0, 类型=int32]要添加的最大节点数。
exact树方法不使用此参数。
max_bin, [默认值=256, 类型=int32]仅当
tree_method设置为hist或approx时使用。对连续特征进行分箱的最大离散箱数。
增加此数量会提高分割的最优性，但计算时间会增加。
num_parallel_tree, [默认值=1]每次迭代构建的并行树数量。此选项用于支持提升随机森林。
单调约束变量单调性的约束。更多信息请参见单调约束。
交互约束表示允许交互的交互约束。约束必须以嵌套列表的形式指定，例如
[[0, 1], [2, 3, 4]]，其中每个内部列表是允许相互交互的特征索引组。更多信息请参见特征交互约束。
multi_strategy, [默认值 =one_output_per_tree]2.0.0 版本新增。
注意
此参数正在开发中。
用于训练多目标模型的策略，包括多目标回归和多类分类。更多信息请参见多个输出。
one_output_per_tree: 每个目标一个模型。multi_output_tree: 使用多目标树。
非精确树方法参数
max_cached_hist_node, [默认值 = 65536]直方图的最大缓存节点数。可用于
hist和approx树方法。2.0.0 版本新增。
在大多数情况下，除了构建深层树之外，不应设置此参数。3.0 版本后，此参数也影响 GPU 算法。
extmem_single_page, [默认值 =false]此参数仅用于
device=cuda且subsample != 1.0的hist树方法。3.0 版本之前，页面总是被连接起来。3.0.0 版本新增。
基于 GPU 的
hist树方法在使用外部内存时，是否应该将训练数据连接成单个批次，而不是按需获取数据。对于不支持地址转换服务的 GPU 设备，外部内存训练开销较大。此参数可以与子采样结合使用，以减少总体内存使用量，而不会产生显著开销。更多信息请参见使用 XGBoost 外部内存版本。
分类特征参数
这些参数仅用于使用分类数据进行训练。更多信息请参见分类数据。
注意
这些参数是实验性的。exact 树方法尚未支持。
max_cat_to_onehot1.6.0 版本新增。
用于决定 XGBoost 是否应该对分类数据使用基于独热编码的分割的阈值。当类别数小于阈值时，选择独热编码；否则，类别将被划分到子节点。
max_cat_threshold1.7.0 版本新增。
每个分割考虑的最大类别数。仅用于基于分区的分割以防止过拟合。
Dart Booster 的附加参数 (booster=dart)
注意
使用 DART Booster 的 predict()
如果 Booster 对象是 DART 类型，predict() 将执行 Dropout，即只评估部分树。如果 data 不是训练数据，这将产生不正确的结果。要在测试集上获得正确结果，请将 iteration_range 设置为非零值，例如
preds = bst.predict(dtest, iteration_range=(0, num_round))
sample_type[默认值=uniform]采样算法类型。
uniform: 丢弃的树被均匀选择。weighted: 丢弃的树根据权重比例选择。
normalize_type[默认值=tree]归一化算法类型。
tree: 新树与每个被丢弃的树具有相同的权重。新树的权重为
1 / (k + learning_rate)。丢弃的树按因子
k / (k + learning_rate)进行缩放。
forest: 新树与被丢弃树（森林）的总和具有相同的权重。新树的权重为
1 / (1 + learning_rate)。丢弃的树按因子
1 / (1 + learning_rate)进行缩放。
rate_drop[默认值=0.0]Dropout 率（在 dropout 过程中丢弃之前树的比例）。
范围: [0.0, 1.0]
one_drop[默认值=0]启用此标志时，在 dropout 过程中总是至少丢弃一棵树（允许原始 DART 论文中的 Binomial-plus-one 或 epsilon-dropout）。
skip_drop[默认值=0.0]在提升迭代中跳过 dropout 过程的概率。
如果跳过 dropout，则新树的添加方式与
gbtree相同。请注意，非零的
skip_drop优先级高于rate_drop或one_drop。
范围: [0.0, 1.0]
线性 Booster 参数 (booster=gblinear)
lambda[默认值=0，别名:reg_lambda]权重的 L2 正则化项。增加此值将使模型更保守。根据训练样本数进行归一化。
alpha[默认值=0，别名:reg_alpha]权重的 L1 正则化项。增加此值将使模型更保守。根据训练样本数进行归一化。
eta[默认值=0.5，别名:learning_rate]更新中使用的步长收缩，以防止过拟合。在每次提升步骤后，我们可以直接获得新特征的权重，
eta会收缩特征权重，使提升过程更加保守。范围: [0,1]
updater[默认值=shotgun]拟合线性模型的算法选择
shotgun: 基于 Shotgun 算法的并行坐标下降算法。使用 'hogwild' 并行性，因此每次运行都会产生非确定性解。coord_descent: 普通坐标下降算法。也是多线程的，但仍产生确定性解。当device参数设置为cuda或gpu时，将使用 GPU 变体。
feature_selector[默认值=cyclic]特征选择和排序方法
cyclic: 通过一次一个地循环遍历特征进行确定性选择。shuffle: 类似于cyclic，但在每次更新之前进行随机特征混洗。random: 一个随机（有放回）坐标选择器。greedy: 选择梯度幅度最大的坐标。其复杂度为O(num_feature^2)。它是完全确定性的。通过设置top_k参数，可以将选择限制在每组中具有最大单变量权重变化幅度的top_k特征。这样做可以将复杂度降低到O(num_feature*top_k)。thrifty: 节俭的近似贪婪特征选择器。在循环更新之前，根据单变量权重变化幅度的降序重新排序特征。此操作是多线程的，是二次贪婪选择的线性复杂度近似。通过设置top_k参数，可以将选择限制在每组中具有最大单变量权重变化幅度的top_k特征。
top_k[默认值=0]在
greedy和thrifty特征选择器中选择的顶部特征数。值为 0 表示使用所有特征。
学习任务参数
指定学习任务和相应的学习目标。目标选项如下
objective[默认值=reg:squarederror]reg:squarederror: 使用平方损失的回归。reg:squaredlogerror: 使用平方对数损失的回归 \(\frac{1}{2}[log(pred + 1) - log(label + 1)]^2\)。所有输入标签必须大于 -1。此外，请参阅指标rmsle以了解此目标可能存在的问题。reg:logistic: 逻辑回归，输出概率reg:pseudohubererror: 使用伪 Huber 损失的回归，它是绝对损失的二次可微替代。reg:absoluteerror: 使用 L1 误差的回归。使用树模型时，叶值在树构建后刷新。如果在分布式训练中使用，叶值计算为所有 worker 的平均值，这不保证是最优的。1.7.0 版本新增。
reg:quantileerror: 分位数损失，也称为pinball loss。请参见后续章节了解其参数以及分位数回归的示例。2.0.0 版本新增。
binary:logistic: 用于二分类的逻辑回归，输出概率binary:logitraw: 用于二分类的逻辑回归，输出逻辑转换前的分数binary:hinge: 用于二分类的 hinge 损失。这会产生 0 或 1 的预测，而不是概率。count:poisson: 用于计数数据的泊松回归，输出泊松分布的均值。在泊松回归中，
max_delta_step默认设置为 0.7（用于保护优化）
survival:cox: 用于右删失生存时间数据的 Cox 回归（负值被视为右删失）。请注意，预测在风险比尺度上返回（即，在比例风险函数h(t) = h0(t) * HR中作为 HR = exp(边际预测)）。survival:aft: 用于删失生存时间数据的加速失效时间模型。详情请参见加速失效时间的生存分析。multi:softmax: 设置 XGBoost 使用 softmax 目标进行多类分类，您还需要设置 num_class（类别数）multi:softprob: 与 softmax 相同，但输出一个ndata * nclass的向量，可以进一步重塑为ndata * nclass矩阵。结果包含每个数据点属于每个类别的预测概率。rank:ndcg: 使用 LambdaMART 执行成对排序，最大化归一化折损累积增益 (NDCG)。此目标支持点击数据的位置去偏差。rank:map: 使用 LambdaMART 执行成对排序，最大化平均精度均值 (MAP)rank:pairwise: 使用 LambdaRank 执行使用 ranknet 目标的成对排序。reg:gamma: 使用 log-link 的 gamma 回归。输出是 gamma 分布的均值。例如，这可能对建模保险索赔严重性，或任何可能呈gamma 分布的结果有用。reg:tweedie: 使用 log-link 的 Tweedie 回归。例如，这可能对建模保险中的总损失，或任何可能呈Tweedie 分布的结果有用。
base_score所有实例的初始预测分数，全局偏差
对于选定的目标，参数会在训练前自动估计。要禁用估计，请指定一个实数参数。
如果提供了
base_margin，则不会添加base_score。对于足够的迭代次数，更改此值不会产生太大影响。
更多信息请参见截距。
eval_metric[默认值根据目标而定]验证数据的评估指标，默认指标将根据目标分配（回归使用 rmse，分类使用 logloss，
rank:map使用平均精度均值等）用户可以添加多个评估指标。Python 用户：请记住以参数对列表的形式传递指标，而不是字典，这样后面的
eval_metric就不会覆盖前面的指标。选项如下
rmse: 均方根误差rmsle: 均方根对数误差: \(\sqrt{\frac{1}{N}[log(pred + 1) - log(label + 1)]^2}\)。reg:squaredlogerror目标的默认指标。此指标减少数据集异常值产生的误差。但由于使用了log函数，当预测值小于 -1 时，rmsle可能会输出nan。请参阅reg:squaredlogerror了解其他要求。mae: 平均绝对误差mape: 平均绝对百分比误差mphe: 平均伪 Huber 误差。reg:pseudohubererror目标的默认指标。logloss: 负对数似然error: 二分类错误率。计算公式为#(错误案例)/#(所有案例)。对于预测，评估将预测值大于 0.5 的实例视为正实例，其余视为负实例。error@t: 可以通过提供数值 't' 来指定不同于 0.5 的二分类阈值。merror: 多类分类错误率。计算公式为#(错误案例)/#(所有案例)。mlogloss: 多类 logloss。auc: 受试者工作特征曲线下面积。适用于分类和学习排序任务。用于二分类时，目标应为
binary:logistic或类似处理概率的函数。用于多类分类时，目标应为
multi:softprob而不是multi:softmax，因为后者不输出概率。此外，AUC 通过 1-vs-rest 计算，并根据类别的普遍程度对参考类别进行加权。用于 LTR（学习排序）任务时，通过比较文档对来计算 AUC，以统计正确排序的对。这对应于成对学习排序。此实现在处理组周围的平均 AUC 和分布式 workers 定义不明确方面存在一些问题。
在单机上，AUC 计算是精确的。在分布式环境中，AUC 是每个节点上训练行 AUC 的加权平均值——因此，分布式 AUC 是一种近似值，对数据在 worker 之间的分布敏感。如果在分布式环境中精度和可重复性很重要，请使用其他指标。
当输入数据集仅包含负样本或正样本时，输出为 NaN。此行为由实现定义，例如，
scikit-learn返回 \(0.5\)。
aucpr: PR 曲线下面积。适用于分类和学习排序任务。XGBoost 1.6 后，在分类问题中使用
aucpr的要求和限制都与auc类似。对于排序任务，仅支持二元相关性标签 \(y \in [0, 1]\)。与map (平均精度均值)不同，aucpr使用连续插值计算精度召回曲线下的插值面积。pre: \(k\) 处的精度。仅支持学习排序任务。ndcg: 归一化折损累积增益map: 平均精度均值平均精度定义为
\[AP@l = \frac{1}{min{(l, N)}}\sum^l_{k=1}P@k \cdot I_{(k)}\]其中 \(I_{(k)}\) 是一个指示函数，当位于 \(k\) 的文档相关时等于 \(1\)，否则为 \(0\)。\(P@k\) 是 \(k\) 处的精度，\(N\) 是相关文档的总数。最后，平均精度均值定义为所有查询的加权平均值。
ndcg@n,map@n,pre@n: \(n\) 可以指定为一个整数，用于在列表中截断顶部位置进行评估。ndcg-,map-,ndcg@n-,map@n-: 在 XGBoost 中，NDCG 和 MAP 将不包含任何正样本的列表的得分评估为 \(1\)。通过在评估指标名称后附加“-”，我们可以要求 XGBoost 将这些分数评估为 \(0\)，以便在某些条件下保持一致。poisson-nloglik: 泊松回归的负对数似然gamma-nloglik: gamma 回归的负对数似然cox-nloglik: Cox 比例风险回归的负偏对数似然gamma-deviance: gamma 回归的残差偏差tweedie-nloglik: Tweedie 回归的负对数似然（在指定的tweedie_variance_power参数值下）aft-nloglik: 加速失效时间模型的负对数似然。详情请参见加速失效时间的生存分析。interval-regression-accuracy: 预测标签落在区间删失标签内的数据点比例。仅适用于区间删失数据。详情请参见加速失效时间的生存分析。
seed[默认值=0]随机数种子。在 R 包中，如果未指定，将通过 R 自有的 RNG 引擎获取随机种子，而不是默认为种子‘零’。
seed_per_iteration[默认值=false]通过迭代器号确定性地为伪随机数生成器（PRNG）设置种子。
Tweedie 回归参数 (objective=reg:tweedie)
tweedie_variance_power[默认值=1.5]控制 Tweedie 分布方差的参数
var(y) ~ E(y)^tweedie_variance_power范围: (1,2)
接近 2 时倾向于 gamma 分布
接近 1 时倾向于泊松分布。
使用 Pseudo-Huber 的参数 (reg:pseudohubererror)
huber_slope: 用于 Pseudo-Huber 损失的参数，定义 \(\delta\) 项。 [默认值 = 1.0]
使用分位数损失的参数 (reg:quantileerror)
quantile_alpha: 一个标量或目标分位数的列表。2.0.0 版本新增。
使用 AFT 生存损失 (survival:aft) 和 AFT 指标的负对数似然 (aft-nloglik) 的参数
aft_loss_distribution: 概率密度函数，normal,logistic或extreme。
学习排序参数 (rank:ndcg, rank:map, rank:pairwise)
这些是学习排序任务特有的参数。有关深入解释，请参见学习排序。
lambdarank_pair_method[默认值 =topk]如何构建用于成对学习的对。
mean: 为查询列表中的每个文档采样lambdarank_num_pair_per_sample对。topk: 关注顶部lambdarank_num_pair_per_sample的文档。对于模型排序在顶部lambdarank_num_pair_per_sample位置的每个文档，构建 \(|query|\) 对。
lambdarank_num_pair_per_sample[范围 = \([1, \infty]\)]它指定当 pair 方法为
mean时每个文档采样的对数，或当 pair 方法为topk时查询的截断级别。例如，要使用ndcg@6进行训练，将lambdarank_num_pair_per_sample设置为 \(6\)，将lambdarank_pair_method设置为topk。lambdarank_normalization[默认值 =true]2.1.0 版本新增。
是否通过 lambda 梯度归一化叶值。这有时可能导致训练进展停滞。
3.0.0 版本更改。
当使用
mean方法时，它按lambdarank_num_pair_per_sample进行归一化，而不是按梯度进行归一化。lambdarank_score_normalization[默认值 =true]3.0.0 版本新增。
是否通过预测分数的差异归一化 delta 指标。这有时可能导致训练进展停滞。对于成对排序，我们可以使用每对中两个样本的差异来归一化梯度，以减少排名分数差异较大的对的影响。这可以帮助我们正则化模型，减少偏差并防止过拟合。与其他正则化技术类似，这可能阻止训练收敛。
2.0 版本之前没有归一化。在 2.0 及更高版本中，默认使用此功能。在 3.0 版本中，我们将其作为一个用户可以禁用的选项。
lambdarank_unbiased[默认值 =false]
指定是否需要对输入点击数据进行去偏差。
lambdarank_bias_norm[默认值 = 2.0]位置去偏差的 \(L_p\) 归一化，默认为 \(L_2\)。仅当
lambdarank_unbiased设置为 true 时相关。ndcg_exp_gain[默认值 =true]是否应该对
NDCG使用指数增益函数。NDCG 的增益函数有两种形式，一种直接使用相关性值，另一种使用 \(2^{rel} - 1\) 来强调检索相关文档。当ndcg_exp_gain为 true（默认）时，相关性程度不能大于 31。
命令行参数
以下参数仅在 XGBoost 控制台版本中使用。CLI 已弃用，并将在未来的版本中删除。
num_round提升轮数
data训练数据路径
test:data用于预测的测试数据路径
save_period[默认值=0]保存模型的周期。设置
save_period=10意味着每 10 轮 XGBoost 将保存模型。设置为 0 表示在训练期间不保存任何模型。
task[默认值=train] 选项:train,pred,eval,dumptrain: 使用数据进行训练pred: 对 test:data 进行预测eval: 用于评估由eval[name]=filename指定的统计信息dump: 用于将学习到的模型导出为文本格式
model_in[默认值=NULL]输入模型的路径，
test、eval、dump任务需要。如果在训练中指定，XGBoost 将从输入模型继续训练。
model_out[默认值=NULL]训练完成后输出模型的路径。如果未指定，XGBoost 将输出名称类似
0003.model的文件，其中0003是提升轮数。
model_dir[默认值=models/]训练期间保存模型的输出目录
fmap特征映射，用于导出模型
dump_format[默认值=text] 选项:text,json模型导出文件格式
name_dump[默认值=dump.txt]模型导出文件名
name_pred[默认值=pred.txt]预测文件名，在 pred 模式中使用
pred_margin[默认值=0]预测 margin 而不是转换后的概率