首页 / PYTHON / 【ML-6-4-2】xgboost的python参数说明

【ML-6-4-2】xgboost的python参数说明

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了【ML-6-4-2】xgboost的python参数说明，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含12843字，纯文字阅读大概需要19分钟。

内容图文

一、核心数据结构

class xgboost.DMatrix(data, label=None, weight=None, base_margin=None, missing=None, silent=False, feature_names=None, feature_types=None, nthread=None, enable_categorical=False)

XGBoost中使用的数据矩阵。

DMatrix是XGBoost使用的内部数据结构，它针对内存效率和训练速度进行了优化。您可以从多个不同的数据源构造DMatrix。

Parameters

data (os.PathLike/string/numpy.array/scipy.sparse/pd.DataFrame/) – dt.Frame/cudf.DataFrame/cupy.array/dlpack Data source of DMatrix. When data is string or os.PathLike type, it represents the path libsvm format txt file, csv file (by specifying uri parameter 'path_to_csv?format=csv'), or binary file that xgboost can read from.

label (list, numpy 1-D array or cudf.DataFrame, optional) – Label of the training data.

missing (float, optional) – Value in the input data which needs to be present as a missing value. If None, defaults to np.nan.

weight (list, numpy 1-D array or cudf.DataFrame , optional) –

Weight for each instance.

silent (boolean, optional) – Whether print messages during construction

feature_names (list, optional) – Set names for features.

feature_types (list, optional) – Set types for features.

nthread (integer, optional) – Number of threads to use for loading data when parallelization is applicable. If -1, uses maximum threads available on the system.

enable_categorical (boolean, optional) –

save_binary（fname，silent = True）

将DMatrix保存到XGBoost缓冲区。保存的二进制文件可以稍后通过提供路径xgboost.DMatrix()作为输入来加载。

参量

fname（字符串或os.PathLike）–输出缓冲区文件的名称。

静音（bool（可选；默认：True ））–如果设置，则抑制输出。

二、学习API

xgboost.train(params, dtrain, num_boost_round=10, evals=(), obj=None, feval=None, maximize=None, early_stopping_rounds=None, evals_result=None, verbose_eval=True, xgb_model=None, callbacks=None)

参量Parameters

参量

params（dict）-booster参数。

dtrain（DMatrix）–要训练的数据。

num_boost_round（int）–提升迭代的次数。

early_stopping_rounds（int）–激活提前停止。验证指标需要在每个Early_stopping_rounds回合中至少改善一次，以继续训练。至少需要eval个项目。该方法从上次迭代（不是最佳迭代）返回模型。

xgb_model（存储的xgb模型或" Booster"实例的文件名）–训练之前要加载的Xgb模型（允许继续训练）。

其它参数看官网。

xgboost.cv(params, dtrain, num_boost_round=10, nfold=3, stratified=False, folds=None, metrics=(), obj=None, feval=None, maximize=None, early_stopping_rounds=None, fpreproc=None, as_pandas=True, verbose_eval=None, show_stdv=True, seed=0, callbacks=None, shuffle=True)

Cross-validation with given parameters.

参数Parameters

params (dict) – Booster params.

dtrain (DMatrix) – Data to be trained.

num_boost_round (int) – Number of boosting iterations.

nfold (int) – Number of folds in CV.

early_stopping_rounds（int）–激活提前停止。交叉验证度量标准（通过CV折叠计算得出的验证度量标准的平均值）需要在每一轮Early_stopping_rounds中至少提高一次，以继续进行训练。评估历史记录中的最后一个条目将代表最佳迭代。如果在params中给定的eval_metric参数中有多个度量标准，则最后一个度量标准将用于提前停止。

三、Scikit-Learn API

类：class xgboost.XGBRegressor(objective='reg:squarederror', **kwargs)

参量

n_estimators（int）–梯度增强树的数量。相当于轮数。

max_depth（int）–基础学习者的最大树深度。

learning_rate（float）–提高学习率（xgb的" eta"）

verbosity（int）–详细程度。有效值为0（静默）-3（调试）。

目标（字符串或可调用的）–指定学习任务和要使用的相应学习目标或自定义目标函数（请参见下面的注释）。

booster（string）–指定要使用的助推器：gbtree，gblinear或dart。

tree_method（字符串）–指定要使用的树方法。默认为自动。如果将此参数设置为默认值，则XGBoost将选择最保守的选项。建议从参数文档中研究此选项，也可以上一篇文章查找。

n_jobs（int）–用于运行xgboost的并行线程数。与网格搜索等其他Scikit-Learn算法结合使用时，您可以选择哪种算法可以并行化和平衡线程。创建线程争用将显着减慢两种算法的使用速度。

gamma（float）–在树的叶子节点上进行进一步分区所需的最小损失减少。

min_child_weight（float）–子实例所需实例重量（hessian）的最小总和。

max_delta_step（int）–我们允许每棵树的权重估计为最大增量步长。

subsample (float) –训练实例的子样本比率。

colsample_bytree（float）–构造每棵树时列的子采样率。

colsample_bylevel（float）–每个级别的列的子采样率。

colsample_bynode（float）–每个拆分列的子采样率。

reg_alpha（float（xgb's alpha ））–权重的L1正则化项

reg_lambda（float（xgb的lambda ））–权重的L2正则化项

scale_pos_weight（float）–正负负平衡。

base_score –所有实例的初始预测分数，全局偏差。

random_state（int）–随机数种子。

missing (float, default np.nan) –数据中需要以缺失值形式显示的值。

num_parallel_tree（int）–用于增强随机森林。

monotone_constraints（str）–可变单调性的约束。有关更多信息，请参见教程。

interact_constraints（str）–表示允许的交互的交互约束。约束必须以嵌套列表的形式指定，例如[[0，1]，[2、3、4]]，其中每个内部列表都是一组允许相互交互的要素索引。有关更多信息，请参见教程

Important_type（字符串，默认为" gain"）– feature_importances_属性的特征重要性类型：" gain"，" weight"，" cover"，" total_gain"或" total_cover"。

** kwargs（字典，可选）–

类的方法：apply（X，ntree_limit = 0）

返回每个样本的每棵树的预测叶。

参量

X（array_like ，shape = [ n_samples ，n_features ]）–输入要素矩阵。

ntree_limit（int）–预测中限制树的数量；默认为0（使用所有树）。

Returns

X_leaves – For each datapoint x in X and for each tree, return the index of the leaf x ends up in. Leaves are numbered within [0; 2**(self.max_depth+1)), possibly with gaps in the numbering.

Return type

array_like, shape=[n_samples, n_trees]

类方法evals_result（）

返回评估结果。

如果将eval_set传递给fit函数，则可以调用 evals_result()以获取所有传递的eval_sets的评估结果。当eval_metric也传递给fit函数时， evals_result将包含传递给fit函数的eval_metrics。

返回类型：字典

【ML-6-4-2】xgboost的python参数说明 - 文章图片

property feature_importances_

Feature importances property

fit(X, y, sample_weight=None, base_margin=None, eval_set=None, eval_metric=None, early_stopping_rounds=None, verbose=True, xgb_model=None, sample_weight_eval_set=None, feature_weights=None, callbacks=None)

参量

X（array_like）–特征矩阵

y（array_like）–标签

sample_weight（array_like）–实例权重

base_margin（array_like）–每个实例的全局偏差。

eval_set（list，optional）–用作验证集的（X，y）元组对的列表，将为其计算指标。验证指标将帮助我们跟踪模型的性能。

eval_metric（str，str列表或callable ，可选）–如果为str，则应作为内置评估指标使用。请参阅doc / parameter.rst。如果为str的列表，则应为要使用的多个内置评估指标的列表。如果可以调用，则为自定义评估指标。呼叫签名是这里将是一个DMatrix对象，这样你可能需要调用的方法。它必须返回一个str值对，其中str是求值的名称，value是求值函数的值。可调用的自定义目标总是最小化。func(y_predicted, y_true)y_trueget_label

early_stopping_rounds（int）–激活提前停止。验证指标需要在每个Early_stopping_rounds回合中至少改善一次，以继续训练。在eval_set中至少需要一项。该方法从上次迭代（不是最佳迭代）返回模型。如果eval_set中有多个项目，则最后一个条目将用于提前停止。如果eval_metric中有多个指标，则最后一个指标将用于提前停止。如果发生提早终止，该模型将有三个附加字段： clf.best_score，clf.best_iteration和clf.best_ntree_limit。

verbose（bool）–如果使用冗长和评估集，则将在验证集上测得的评估指标写入stderr。

xgb_model（str）–file name of stored XGBoost model or 'Booster' instance XGBoost model to be loaded before training (allows training continuation).----在训练之前要加载的已存储XGBoost模型或" Booster"实例XGBoost模型的文件名（允许继续训练）。

sample_weight_eval_set（列表，可选）–形式为[L_1，L_2，…，L_n]的列表，其中每个L_i是第i个验证集上的实例权重的列表。

feature_weights（array_like）–每个要素的权重，定义使用colsample时每个要素被选中的概率。所有值必须大于0，否则将引发ValueError。

回调（回调函数列表）–

在每次迭代结束时应用的回调函数列表。通过使用Callback API可以使用预定义的回调。例：

[xgb.callback.reset_learning_rate(custom_rates)]

get_booster()

Get the underlying xgboost Booster of this model.

This will raise an exception when fit was not called

Returns

booster

Return type

a xgboost booster of underlying model

get_num_boosting_rounds（）

获取xgboost提升回合的数量。

get_params（deep = True）

获取参数。

get_xgb_params（）

获取特定于xgboost的参数。

load_model（fname）

从文件加载模型。

该模型是从XGBoost内部格式加载的，该格式在各种XGBoost接口中通用。Python Booster对象的辅助属性（例如功能名称）将不会加载。

参量

fname（字符串）–输入文件名。

predict（数据，output_margin = False，ntree_limit = None，validate_features = True，base_margin = None）

用数据预测

参量

数据（numpy.array / scipy.sparse）–要进行预测的数据

output_margin（bool）–是否输出未转换的原始余量值。

ntree_limit（int）–预测中限制树的数量；如果定义，则默认为best_ntree_limit（即已经过提早停止训练），否则为0（使用所有树）。

validate_features（bool）–为True时，请验证Booster和数据的feature_name是相同的。否则，假定feature_names相同。

返回类型

numpy数组

save_model（fname ： str）

将模型保存到文件。

模型以XGBoost内部格式保存，该格式在各种XGBoost接口中通用。Python Booster对象的辅助属性（例如功能名称）将不会保存。

参量

fname（字符串）–输出文件名

类 class xgboost.XGBClassifier(objective='binary:logistic', **kwargs)

Bases: xgboost.sklearn.XGBModel, object

Implementation of the scikit-learn API for XGBoost classification.

和上面的类：class xgboost.XGBRegressor(objective='reg:squarederror', **kwargs)参数和方法基本相同。下面介绍不同部分：

类class xgboost.XGBRanker(objective='rank:pairwise', **kwargs)

Bases: xgboost.sklearn.XGBModel

Implementation of the Scikit-Learn API for XGBoost Ranking.

和上面的类：class xgboost.XGBRegressor(objective='reg:squarederror', **kwargs)参数和方法基本相同。下面介绍不同部分

类class xgboost.XGBRFRegressor(learning_rate=1, subsample=0.8, colsample_bynode=0.8, reg_lambda=1e-05, **kwargs)

Bases: xgboost.sklearn.XGBRegressor

scikit-learn API for XGBoost random forest regression.

和上面的类：class xgboost.XGBRegressor(objective='reg:squarederror', **kwargs)参数和方法基本相同。下面介绍不同部分

类class xgboost.XGBRFClassifier(learning_rate=1, subsample=0.8, colsample_bynode=0.8, reg_lambda=1e-05, **kwargs)

Bases: xgboost.sklearn.XGBClassifier

scikit-learn API for XGBoost random forest classification.

和上面的类：class xgboost.XGBRegressor(objective='reg:squarederror', **kwargs)参数和方法基本相同。下面介绍不同部分

四、绘图API-Plotting API

xgboost.plot_importance(booster, ax=None, height=0.2, xlim=None, ylim=None, title='Feature importance', xlabel='F score', ylabel='Features', fmap='', importance_type='weight', max_num_features=None, grid=True, show_values=True, **kwargs)¶

Plot importance based on fitted trees. 根据拟合的树绘制重要性。

xgboost.plot_tree(booster, fmap='', num_trees=0, rankdir=None, ax=None, **kwargs)

Plot specified tree.

将指定的树转换为graphviz实例。IPython可以自动绘制返回的graphiz实例。否则，您应该调用返回的graphiz实例的.render（）方法。

五、回调API --Callback API

xgboost.callback.print_evaluation(period=1, show_stdv=True)

Create a callback that print evaluation result.

We print the evaluation results every period iterations and on the first and the last iterations.

Parameters

period (int) – The period to log the evaluation results
show_stdv (bool, optional) – Whether show stdv if provided

Returns

callback – A callback that print evaluation every period iterations.

Return type

function

xgboost.callback.record_evaluation(eval_result)

Create a call back that records the evaluation history into eval_result.

Parameters

eval_result (dict) – A dictionary to store the evaluation results.

Returns

callback – The requested callback function.

Return type

function

xgboost.callback.reset_learning_rate(learning_rates)

Reset learning rate after iteration 1

NOTE: the initial learning rate will still take in-effect on first iteration.

xgboost.callback.early_stop(stopping_rounds, maximize=False, verbose=True)

Create a callback that activates early stoppping.

Validation error needs to decrease at least every stopping_rounds round(s) to continue training. Requires at least one item in evals. If there's more than one, will use the last. Returns the model from the last iteration (not the best one). If early stopping occurs, the model will have three additional fields:bst.best_score, bst.best_iteration and bst.best_ntree_limit. (Use bst.best_ntree_limit to get the correct value if num_parallel_tree and/or num_class appears in the parameters)

来自 <https://xgboost.readthedocs.io/en/latest/python/python_api.html#module-xgboost.training>

六、Dask API

分布式扩展的Dask扩展。有关简单的教程，请参见 https://xgboost.readthedocs.io/en/latest/tutorials/dask.html。还有一些示例的xgboost / demo / dask。

此模块中有两套API，一类是功能性API，包括 train和predict方法。另一个是从单节点Scikit-Learn接口继承的有状态Scikit-Learner包装器。

该实现受到dask_xgboost的严重影响：https : //github.com/dask/dask-xgboost

内容总结

以上是互联网集市为您收集整理的【ML-6-4-2】xgboost的python参数说明全部内容，希望文章能够帮你解决【ML-6-4-2】xgboost的python参数说明所遇到的程序开发问题。如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/623270.html

来源：【匿名】

【上一篇】python批量处理excel 【下一篇】浅谈PHP运行Python脚本的方法

更多 ►

【【ML-6-4-2】xgboost的python参数说明】教程文章相关的互联网学习教程文章

如何用python编写可使用cmd控制台传入参数的简单四则算式计算器【代码】【图】

一、项目码云地址是：https://gitee.com/Steven_me/personal_project41656 二、PSP预计表：三、简单的程序流程图：四、下面附上程序部分运行代码样式仅限参考（关键函数已将重要参数缺失或替换掉）：1.定义去除括号和返回运算值部分： 1def quchu(**):2while 1:3 ** = re.search(r‘$[^(]*?$‘，**) 4if **:5 re_string = **.group() 6 re_sj = suanfa(re_string.strip(‘()‘)) 7 ** = **.replace(re...

python反爬之设置奇葩的请求参数格式【代码】【图】

问题发现前几天我一个做安全的哥们儿，做了个简单的数据展示平台，他让我做下反爬测试，我当即一堆操作就开始搞了，结果就遇到一个非常奇葩的问题。看截图：这个是正常的请求：这个是我用Python做的模拟请求：结果就是提示签名错误，我对比了不下于几十遍，请求头只是顺序不太一致，其他没有任何区别，该有的都有，而且请求头里的那个sign参数也都带上了的我又用抓包工具做数据重放编辑请求，该不行还是不行。最后我用了以...

python3 - 默认参数为列表

默认参数的坑定义一个函数，传入一个list,添加一个end再返回123def add_end(L=[]): L.append(‘END‘) return L 正常调用时，结果似乎不错1print add_end([1,2,3]) #[1, 2, 3, ‘END‘] 使用默认参数调用时，一开始结果也是对的，但是再次调用时，结果就不对了12345print add_end() #[‘END‘] print add_end() #[‘END‘, ‘END‘] print add_end() #[‘END‘, ‘END‘, ‘END‘] 从上述调用结果发现，函数每次...

python函数定义中的参数说明【代码】

描述函数定义时涉及到的位置参数，默认参数，关键字参数，可变参数等的概念及用法1 示例代码#! /usr/bin/env python # -*- coding: UTF-8 -*- import loggingdef get_default_logger():logger = logging.getLogger()console_handler = logging.StreamHandler()formatter = logging.Formatter(‘[%(asctime)s][%(levelname)s][%(name)s][%(message)s]‘)console_handler.setFormatter(formatter)logger.addHandler(console_handl...

Python函数的参数【代码】

位置参数：比如：>>> def power(x, n):s = 1while n > 0:n = n - 1s = s * xreturn s其中x和n分别占了一个位置，所以称为位置参数，位置参数是必须传进来的！默认参数：比如：>>> def power(x, n=2):s = 1while n > 0:n = n - 1s = s * xreturn s必选参数在前，默认参数在后，当不传入默认参数时，函数会默认为指定的值。传入默认参数时，会修改为传入的值。定义默认参数要牢记一点：默认参数必须指向不变对象！可变参数：>>> def ...

Python 的几个命令行参数

1）以 $ python 方式启动 python 解释器，之后 import 一个模块，将生成 .pyc 文件。2）以 $ python -O 方式启动 python 解释器，之后 import 一个模块，将生成优化的字节码 .pyo 文件。3）以 $ python -m 模块名(不带.py) ，以命令行方式运行一个模块，其结果和使用 $ python 模块名.py 相同。4）以 $ python -c 命令字符串，以命令行方式运行一个字符串形式的 python 语句，例如 $ python -c "for idx in range(10): print i...

51 Python - 装饰器参数化装饰器——装饰器更通用【图】

05参数化装饰器——装饰器更通用参数化装饰器如何理解，简单理解就是让装饰器可以通用。场景举例，现在有个需求要改某一段文字，既要加<P>标签，又要加<B>，还有加<Div>。是不是意味着需要定义多个装饰器，答案不需要，可以通过参数化形式共用一个装饰器，传入不同参数就可以了。 001装饰器未使用参数不用参数化装饰器需要定义多个调用：装饰器嵌套时候，最靠近的先调用结果 002装饰器使用参数定义参数装饰器调...

（转）python中的参数：*args和**kwargs

def foo(*args, **kwargs):print ‘args = ‘, argsprint ‘kwargs = ‘, kwargsprint ‘---------------------------------------‘if __name__ == ‘__main__‘:foo(1,2,3,4)foo(a=1,b=2,c=3)foo(1,2,3,4, a=1,b=2,c=3)foo(‘a‘, 1, None, a=1, b=‘2‘, c=3) 输出结果如下：args = (1, 2, 3, 4)kwargs = {}—————————————args = ()kwargs = {‘a’: 1, ‘c’: 3, ‘b’: 2}—————————————args = (1, 2...

Python按值传递参数和按引用传递参数【代码】

Python按值传递参数和按引用传递参数：按值传递参数：使用一个变量的值(数字，字符串)，放到实参的位置上注：传递过去的是变量的副本，无论副本在函数中怎么变，变量的值都不变传递常量：# 传递常量# 定义一个函数，输出欢迎，接收到的参数 namedef huanying(name):print("欢迎",name) huanying("小明") # 欢迎小明# 定义一个求长方形面积的函数，要求具有返回值且参数为 height 和 widthdef area(height,width):return height *...

python-day14--带参数的装饰器+多个装饰器装饰同一个函数【代码】

1.# 带参数的装饰器def f1(flag): def f2(func): def inner(*args,**kwargs): if flag: ‘‘‘执行函数之前要做的‘‘‘ r=func(*args,**kwargs) if flag: ‘‘‘执行函数之后要做的‘‘‘ return r return inner return f2@f1(True)def f3(): print(‘egon‘) return (‘eva‘)s=f3()print(s)2.#多个装饰器装饰一个函数de...

python接口自动化之-- json参数替换【代码】

#! /usr/bin/python# coding:utf-8# class changeData(object):class getValues(object): def __init__(self): pass #通过key获取嵌套字典value def get_target_value(self,key, dic, tmp_list): """ :param key: 目标key值 :param dic: JSON数据 :param tmp_list: 用于存储获取的数据 :return: list """ if not isinstance(dic, dict) or not isinstance(tmp_l...

python—多种参数应用【代码】

#参数‘‘‘def mylen(s):#s是形参 # 函数体缩进代表包含意思 a=‘hello‘ length=0 for i in a : length+=1 # print(length) return length#调用函数length=mylen(‘world‘)#world是实参print(length)print(len(‘make‘))‘‘‘#多个参数# 1.位置参数‘‘‘def mymax(x,y): #此函数比较两个数的大小，返回最大值 the_max=x if x>y else y return the_maxthe_max=mymax(1,2)print(the_max)#2....

python—mysql数据库读取表1获取name作为参数，传入访问表2获取age，结果存入excel【代码】

#访问数据库users表读取name#name作为参数，传递查询logininfor表对应的年龄age，并将结果存为excelimport pymysqlimport pandas as pdimport openpyxlcoon=pymysql.connect(host=‘127.0.0.1‘, user=‘root‘, password=‘****‘, port=3306, db=‘tone‘, charset=‘utf8‘, autocommit=True)cur=co...

python如何利用input函数输入多个参数?【代码】

python进行交互式输入过程中，一般使用input()函数来接受键盘的输入。如果考虑这样的应用：??程序需要多个参数，并且希望每输入一个参数就进行换行，即希望一次输入多个参数。??关于这样问题网络上有一些帖子，但是总是没有讲到要点，这里解析如下。关键知识点：??1、input函数接受输入的是一个字符串。??2、对于多个变量的赋值时，等号右边应该为一个列表list??x,y=[列表]有了上面的知识点，现在对不同输入的代码如下：#input的输...

Python中的*可变参数与**关键字参数【代码】

1、定义了一个需要两个参数的函数def print_str(first, second):print firstprint secondif __name__ == "__main__":print_str("hello", "world")如果传一个参数调用，print_str("hello")，那么一定会抛出异常的：明确告诉你需要准确的两个参数，现在只确定给了一个参数TypeError: print_str() takes exactly 2 arguments (1 given)2、传一个参数行，两个参数行，多个参数也行的函数上面的问题，我们有个需求，就是我想传一个参数...

PYTHON - 技术教程分类

Python3 教程 Python3 简介 Python3 环境搭建 Python3 基础语法 Python3 基本数据类型 Python3 解释器 Python3 注释 Python3 运算符 Python3 数字(Number) Python3 字符串 Python3 列表 Python3 元组 Python3 字典 Python3 集合 Python3 编程第一步 Python3 条件控制 Python3 循环语句 Python3 迭代器与生成器 Python3 函数 Python3 数据结构 Python3 模块 Python3 输入和输出 Python3 File Python3 OS Python3 错误和异常 Python3 面向对象 Python3 命名空间/作用域 Python3 标准库概览 Python3 实例 Python3 CGI编程 Python3 MySQL(PyMySQL) Python3 网络编程 Python3 SMTP发送邮件 Python3 多线程 Python3 日期和时间 Python3 内置函数 Python3 MongoDB Python3 urllib python 全部

PYTHON - 最热教程

python如何统计字符串中字母个数？使用Python进行微信公众号开发（三）回...Python+PyQT5的子线程更新UI界面的实例 python时间戳怎么获得？如何获得当前时...vscode调试python时提示无法将“conda”...python接口自动化全局变量access_token...python收取邮件(腾讯企业邮箱)python如何绘制降水图详解python并发获取snmp信息及性能测试...怎么卸载Python3.6？

首页 / PYTHON / 【ML-6-4-2】xgboost的python参数说明

【ML-6-4-2】xgboost的python参数说明

内容导读

内容图文

目录

一、核心数据结构

class xgboost.DMatrix(data, label=None, weight=None, base_margin=None, missing=None, silent=False, feature_names=None, feature_types=None, nthread=None, enable_categorical=False)

save_binary（fname，silent = True）

二、学习API

xgboost.train(params, dtrain, num_boost_round=10, evals=(), obj=None, feval=None, maximize=None, early_stopping_rounds=None, evals_result=None, verbose_eval=True, xgb_model=None, callbacks=None)

xgboost.cv(params, dtrain, num_boost_round=10, nfold=3, stratified=False, folds=None, metrics=(), obj=None, feval=None, maximize=None, early_stopping_rounds=None, fpreproc=None, as_pandas=True, verbose_eval=None, show_stdv=True, seed=0, callbacks=None, shuffle=True)

参数Parameters

三、Scikit-Learn API

类：class xgboost.XGBRegressor(objective='reg:squarederror', **kwargs)

类的方法：apply（X，ntree_limit = 0）

类方法evals_result（）

fit(X, y, sample_weight=None, base_margin=None, eval_set=None, eval_metric=None, early_stopping_rounds=None, verbose=True, xgb_model=None, sample_weight_eval_set=None, feature_weights=None, callbacks=None)

get_booster()

get_num_boosting_rounds（）

get_params（deep = True）

get_xgb_params（）

load_model（fname）

predict（数据，output_margin = False，ntree_limit = None，validate_features = True，base_margin = None）

save_model（fname ： str）

类 class xgboost.XGBClassifier(objective='binary:logistic', **kwargs)

Bases: xgboost.sklearn.XGBModel, object

类class xgboost.XGBRanker(objective='rank:pairwise', **kwargs)

类class xgboost.XGBRFRegressor(learning_rate=1, subsample=0.8, colsample_bynode=0.8, reg_lambda=1e-05, **kwargs)

类class xgboost.XGBRFClassifier(learning_rate=1, subsample=0.8, colsample_bynode=0.8, reg_lambda=1e-05, **kwargs)

四、绘图API-Plotting API

xgboost.plot_importance(booster, ax=None, height=0.2, xlim=None, ylim=None, title='Feature importance', xlabel='F score', ylabel='Features', fmap='', importance_type='weight', max_num_features=None, grid=True, show_values=True, **kwargs)¶

xgboost.plot_tree(booster, fmap='', num_trees=0, rankdir=None, ax=None, **kwargs)

五、回调API --Callback API

六、Dask API

内容总结

内容备注

内容手机端

【【ML-6-4-2】xgboost的python参数说明】教程文章相关的互联网学习教程文章

PYTHON - 相关标签

PYTHON - 技术教程分类

PYTHON - 最新教程

PYTHON - 最热教程