# 常规参数

    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）。

    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1

    lambda

         L2正则化系数，默认为1

# 代码主要函数：

    载入数据：load_digits()

    数据拆分：train_test_split()

    建立模型：XGBClassifier()

    模型训练：fit()

    模型预测：predict()

    性能度量：accuracy_score()

    特征重要性：plot_importance()