常規參數
booster
gbtree 樹模型做爲基分類器（默認）
gbliner 線性模型做爲基分類器
silent
silent=0時，不輸出中間過程（默認）
silent=1時，輸出中間過程
nthread
nthread=-1時，使用全部CPU進行並行運算（默認）
nthread=1時，使用1個CPU進行運算。
scale_pos_weight
正樣本的權重，在二分類任務中，當正負樣本比例失衡時，設置正樣本的權重，模型效果更好。例如，當正負樣本比例爲1:10時，scale_pos_weight=10。
模型參數
n_estimatores
含義：總共迭代的次數，即決策樹的個數
調參：
early_stopping_rounds
含義：在驗證集上，當連續n次迭代，分數沒有提高後，提前終止訓練。
調參：防止overfitting。
max_depth
含義：樹的深度，默認值爲6，典型值3-10。
調參：值越大，越容易過擬合；值越小，越容易欠擬合。
min_child_weight
含義：默認值爲1,。
調參：值越大，越容易欠擬合；值越小，越容易過擬合（值較大時，避免模型學習到局部的特殊樣本）。
subsample
含義：訓練每棵樹時，使用的數據佔全部訓練集的比例。默認值爲1，典型值爲0.5-1。
調參：防止overfitting。
colsample_bytree
含義：訓練每棵樹時，使用的特徵佔全部特徵的比例。默認值爲1，典型值爲0.5-1。
調參：防止overfitting。
學習任務參數
learning_rate
含義：學習率，控制每次迭代更新權重時的步長，默認0.3。
調參：值越小，訓練越慢。
典型值爲0.01-0.2。
objective 目標函數
迴歸任務
reg:linear (默認)
reg:logistic
二分類
binary:logistic 概率
binary：logitraw 類別
多分類
multi：softmax num_class=n 返回類別
multi：softprob num_class=n 返回概率
rank:pairwise
eval_metric
迴歸任務(默認rmse)
rmse--均方根誤差
mae--平均絕對誤差
分類任務(默認error)
auc--roc曲線下面積
error--錯誤率（二分類）
merror--錯誤率（多分類）
logloss--負對數似然函數（二分類）
mlogloss--負對數似然函數（多分類）
gamma
懲罰項係數，指定節點分裂所需的最小損失函數下降值。
調參：
alpha
L1正則化係數，默認爲1
lambda
L2正則化係數，默認爲1