一、概述
如果你的預測模型表現得有些不盡如人意，那就用XGBoost吧。XGBoost算法現在已經成爲很多數據工程師的重要武器。它是一種十分精緻的算法，可以處理各種不規則的數據。 構造一個使用XGBoost的模型十分簡單。但是，提高這個模型的表現就有些困難(至少我覺得十分糾結)。這個算法使用了好幾個參數。所以爲了提高模型的表現，參數的調整十分必要。在解決實際問題的時候，有些問題是很難回答的——你需要調整哪些參數？這些參數要調到什麼值，才能達到理想的輸出？
有人會說，這個簡單哇，直接使用sklearn集成的交叉驗證，比如：gridsearchCV等
但是這樣我們往往碰見一個問題，就是這個方法自定義的驗證集是從你給出的訓練集隨機分割的，在合理一點就是按照label等比例分割，保證訓練集和測試集的label分佈一致。但是有時候我們的測試集分割方式可能是按照時間分出來的（特別是在各種機器學習競賽上），這時候我們爲了儘量保證驗證集和測試集同分布，也應該使用時間分割，這個時候怎麼使用自定義的驗證集去調參的問題就擺在了我們面前
話不多說，直接進入正題，實例代碼加講解告訴各位怎麼做
二、在gridsearchCV上使用自定義驗證集
（1）首先我們要先了解一個sklearn的類
就是下面這個類：
class sklearn.cross_validation.PredefinedSplit(test_fold)
下面是該類的官方示例代碼：
這個方法主要的功能就是，傳入一個list，list的每個index對應你的數據集的對應樣本（如下圖傳入的X有4行也就是4個樣本，所以你傳入PredefinedSplit的list也有四個元素，每個元素對應X的每一行樣本數據），list中-1對應的樣本一定會被分入train，其他如圖的0和1對應的樣本會被輪流放入train，而另一個對應的樣本就放入test，所以下圖會有兩種切分結果。如果你只有-1和其他一種元素（如1），那麼只會得到一種切分，-1對應樣本爲train，1對應樣本爲test。
（2）使用自定義驗證集去調參
測試樣例我們使用目前表現非常優秀的xgboost算法
測試代碼如下我們用：（sklearn.cross_validation.PredefinedSplit去作爲驗證集生成器）
運行結果如下：
三、這裏附上xgboost交叉驗證調參的完整教程鏈接
XGBoost參數調優完全指南（附Python代碼）英文原文地址：
Complete Guide to Parameter Tuning in XGBoost by Aarshay Jain
XGBoost參數調優完全指南（附Python代碼）：
原文翻譯與校對：工藥叉 && 韓小陽