http://www.cnblogs.com/wanglei5205/p/8579244.html

常規參數

booster
    gbtree 樹模型做為基分類器（默認）
    gbliner 線性模型做為基分類器
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，當正負樣本比例為1:10時，scale_pos_weight
 
=10。

模型參數

n_estimatores
    含義：總共叠代的次數，即決策樹的個數
    調參：
early_stopping_rounds
    含義：在驗證集上，當連續n次叠代，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，默認值為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：默認值為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，使用的數據占全部訓練集的比例。默認值為1，典型值為0.
 
5-1。
    調參：防止overfitting。
colsample_bytree
    含義：訓練每棵樹時，使用的特征占全部特征的比例。默認值為1，典型值為0.5-1。
    調參：防止overfitting。

學習任務參數

learning_rate
    含義：學習率，控制每次叠代更新權重時的步長，默認0.3。
    調參：值越小，訓練越慢。
    典型值為0.01-0.2。
objective 目標函數
    回歸任務
        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
    回歸任務(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
    懲罰項系數，指定節點分裂所需的最小損失函數下降值。
    調參：
alpha
    L1正則化系數，默認為1
lambda
    L2正則化系數，默認為1

xgboost中XGBClassifier(）參數詳解