必须设对的三个核心参数是objective、eval_metric和num_boost_round；objective需匹配任务类型，eval_metric须与objective兼容，num_boost_round控制迭代轮数。
训练 XGBoost 模型前必须设对的三个核心参数
不设 objective、eval_metric 和 num_boost_round，模型根本跑不起来，或者训完没法判断好坏。很多人直接抄示例代码，但数据一换就报错或效果差，问题常出在这仨上。
-
objective必须匹配任务类型：分类用'binary:logistic'或'multi:softprob'，回归用'reg:squarederror'（旧版叫'reg:squareerror'，拼错会报ValueError: unknown objective function） -
eval_metric要和objective兼容：比如objective='binary:logistic'时，eval_metric='logloss'可以，但'aucpr'在旧版 XGBoost（'aucpr' 并确认版本 -
num_boost_round不是越大越好：默认 100，但实际常需配合早停（early_stopping_rounds）动态决定；单独设成 1000 却不加验证集，容易过拟合且浪费时间
早停（early_stopping_rounds）失效的常见原因
写了 early_stopping_rounds=50 却一直跑到最大轮数？不是参数没生效，而是验证逻辑没触发。
- 必须传入
evals参数，且至少包含一个验证集元组：[(dval, 'valid')]；只传训练集[(dtrain, 'train')]不会触发早停 - 验证集 label 必须和
objective匹配：比如做二分类，label 必须是 0/1 整数，若混入 float（如 0.0/1.0）或 string，在某些版本会报ValueError: Invalid classes inferred from unique values of `y` - 如果
eval_metric在验证集上持续不变（例如全为 0 的预测），XGBoost 可能无法检测到“提升停滞”，建议搭配verbose_eval=10观察每 10 轮的 metric 变化
类别不平衡时，scale_pos_weight 怎么算才准
这个参数不是调参玄学，是可推导的补偿系数。设错会导致模型拒绝预测正样本，或者把所有样本都判成负类。
- 公式就是：
scale_pos_weight = 负样本数 / 正样本数；注意是「训练集内」的比值，不是全量数据——因为 XGBoost 只在训练时用它调整梯度权重 - 如果正样本极少（比如 1%），直接用原始比值（≈99）可能太激进，导致 precision 暴跌；可试
sqrt(负/正)或按验证集 F1 最大化反推，但别绕过原始比值作为起点 - 多分类不用这个参数，改用
sample_weight列表传入fit()（sklearn API）或构造DMatrix时用weight参数（native API）
sklearn API 和 native API 的关键行为差异
用 XGBClassifier().fit() 看着简单，但底层行为和原生 xgb.train() 不同，尤其在 early stopping 和缺失值处理上。
- sklearn 的
early_stopping_rounds是 fit 方法参数，且eval_set必须是 list of tuples，写成eval_set=[(X_val, y_val)]就行；native API 则必须先转DMatrix，再传evals=[(dval, 'valid')] - sklearn API 默认开启
enable_categorical=True（v2.0+），能自动处理 string 类别特征；native API 默认关闭，string 特征会直接报错TypeError: expected np.ndarray or pd.Series - 预测输出格式不同：sklearn 的
predict_proba()返回二维数组（即使二分类），native 的predict()默认返回原始 margin，要加output_margin=False才得概率
参数名看着一样，但背后控制的其实是两套逻辑。调参时如果混用文档，很容易卡在某个看似合理的值上却得不到预期结果。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
