XGBoost R 包开发指南如何将核心库新参数同步到 xgb.params 与 xgboost【免费下载链接】xgboostScalable, Portable and Distributed Gradient Boosting (GBDT, GBRT or GBM) Library, for Python, R, Java, Scala, C and more. Runs on single machine, Hadoop, Spark, Dask, Flink and DataFlow项目地址: https://gitcode.com/gh_mirrors/xg/xgboost本篇技术指南面向 XGBoost 的 R 包维护者与二次开发者完整讲解如何把核心库C新增的训练参数同步到 R 接口的标准化流程从xgb.params参数构造函数的定位与实现原理到xgboost高层函数的签名维护、别名与弃用参数处理再到目标函数objective与评估指标eval_metric的特殊限制。读完本文你将掌握一套可复现、有源码依据的参数同步 SOP并理解 R 包与核心库之间的参数契约是如何被测试与校验的。背景R 包如何向核心库传递参数XGBoost 核心库接受一长串输入参数——例如决策树的max_depth、各类正则化系数、以及控制计算发生在哪个设备上的device等见 parameter.rst。随着 XGBoost 持续演进新参数不断被加入而各语言绑定层必须保证核心库接受的一切参数都能传得进去。在 R 语言中这些参数以 Rlist对象的形式传给xgb.train()。但 R 接口的目标是提供更地道、更符合 R 用户习惯的体验它提供了一个带完整包内文档in-package documentation的参数构造函数xgb.params()使用户在 IDE 中就能获得完整的自动补全autocompletion与参数说明。这就要求参数清单及其文档不仅存在于 XGBoost 的通用在线文档中还必须同步维护在 R 包内部。xgb.params参数构造函数的实现原理xgb.params()位于 R-package/R/xgb.train.R其实现非常轻量xgb.params - function( objective NULL, verbosity NULL, nthread NULL, seed NULL, booster NULL, eta NULL, learning_rate NULL, gamma NULL, min_split_loss NULL, max_depth NULL, ... ndcg_exp_gain NULL ) { out - as.list(environment()) out - out[!sapply(out, is.null)] return(out) }它的核心逻辑只有三步将所有形参收集为命名列表as.list(environment())剔除值为NULL的条目out[!sapply(out, is.null)]返回该列表供xgb.train(data ..., params xgb.params(...), ...)直接使用。由于所有参数默认值均为NULL用户只传自己关心的参数即可。例如params - xgb.params( objective reg:squarederror, nthread 1, tree_method hist, max_bin 8 )这在 R 包测试中随处可见例如 tests/testthat/test_basic.R 中大量以params xgb.params(...)形式组织训练调用。在设计约束上文档明确要求xgb.params()应当接受核心库的全部可能参数作为形参且排列顺序与在线文档中参数的罗列顺序一致这样用户对照文档查阅时不会产生错位。第一步把新参数加入 xgb.params当核心库新增了一个参数假设是new_param把它加入xgb.params()需要遵循以下三个步骤1.1 按在线文档顺序插入正确位置参数必须插入到与核心库 .rst 参数文档即 doc/parameter.rst中相同的相对位置。如果一个参数出现了多次例如它同时适用于多种 booster 类型则按第一次出现的位置放置。这样保证了函数签名与官方文档的可对照性。1.2 从 .rst 文档复制参数说明为 param 条目把 .rst 文件中对参数的说明复制过来作为xgb.params()的 roxygenparam条目这些文档同时也构成了xgb.train()的参数文档。复制后通常需要做少量机械替换文档中列举了典型的几种把双反引号param替换为单反引号param适配 roxygen 渲染对需要以字符串形式传入的变量加引号enquoting把.rst中的:math:指令替换为 roxygen 等价写法\eqn{}。例如xgb.params文档中对min_split_loss的说明就使用了\eqn{[0, \infty)}来呈现取值范围对rmsle指标则用\eqn{\sqrt{\frac{1}{N}[log(pred 1) - log(label 1)]^2}}呈现公式见 R-package/R/xgb.train.R。1.3 针对 R 接口做最小化适配由于每个参数在xgb.params()中只列出一次需要根据情况补充少量说明如果参数只适用于某一种 booster例如 Dart 的rate_drop、线性 booster 的feature_selector应在参数说明开头注明其适用范围如(for Dart Booster)、(for Linear Booster)如果参数在不同 booster 类型下默认值不同应分别列出。源码中这类标注非常典型例如# param feature_selector (for Linear Booster) (default cyclic) # param sample_type (for Dart Booster) (default uniform) # param reg_lambda (alias: lambda) # - For tree-based boosters: ... default: 1, range: \eqn{[0, \infty]} # - For linear booster: ... default: 0, range: \eqn{[0, \infty)}参见 R-package/R/xgb.train.R 与 R-package/R/xgb.train.R。第二步把参数同步到 xgboost 高层函数xgb.params()是底层、全覆盖的参数入口而xgboost()是面向终端用户的高层建模函数它并不打算支持核心库的所有能力。文档明确举例与 learning-to-rank 相关的参数就没有列入xgboost()——因为该函数的使用方式决定了这些参数无法生效但它们可以正常用于xgb.train()。xgboost()的定义位于 R-package/R/xgboost.R把新参数加入它需要遵循以下规则2.1 签名位置放在 tree_method 之后xgboost()的形参顺序并非与xgb.params()完全一致有少数精选参数被移动到签名更靠前的位置例如max_depth、learning_rate、min_child_weight、min_split_loss、reg_lambda等紧跟在x/y/objective/nrounds之后。新参数不应插入这些顶部位置而应放在参数tree_method之后在剩余参数中按照它在xgb.params()中的相对顺序安放。tree_method之后的所有参数仍保持与xgb.params()一致的相对次序。2.2 文档继承与个别修正如果参数在xgboost()中的语义与xgb.train()完全一致则无需为xgboost()额外编写文档——它通过inheritParams xgb.params默认继承见 R-package/R/xgboost.R。但有些参数需要微调。最典型的是objective并非所有目标函数都被xgboost()支持因此它的文档是单独编写的见下文第三节。2.3 别名处理只保留一个、优先取更直观的名字核心库中许多参数存在别名如eta与learning_rate、lambda与reg_lambda。xgb.params()中两者都保留以兼容底层传递但xgboost()中每个参数只使用一个别名且优先选择描述性更强的名字——例如learning_rate而非etamin_split_loss而非gammareg_lambda而非lambda。注意这种情况下xgboost()仍需为该参数单独写一个param文档条目因为xgb.params()中的文档可能引用的是xgboost()不支持的别名。源码中的弃用映射表deprecated_xgboost_params也印证了这一点——它把eta→learning_rate、gamma→min_split_loss、lambda→reg_lambda、alpha→reg_alpha等旧名重定向到新名见 R-package/R/utils.R。目标函数与评估指标的同步两份文档都要维护随着新目标函数objective和评估指标evaluation metric不断加入需要意识到它们必须同时更新到xgb.params()和xgboost()两处的文档中。xgb.params()中objective与eval_metric的文档最初同样复制自核心库的 .rst 文件覆盖面最全——例如eval_metric文档列出了rmse、mae、logloss、auc、aucpr、ndcg、map、poisson-nloglik、gamma-deviance、tweedie-nloglik、aft-nloglik等全部指标及各自说明见 R-package/R/xgb.train.R。xgboost()的objective文档则在复制后做了额外修改列出哪些支持、哪些不支持并且只引用xgboost()接受的参数别名。以xgboost()的objective文档为例它明确列出了支持值reg:squarederror、binary:logistic、multi:softprob、survival:aft、reg:tweedie等并在末尾专门给出不支持清单见 R-package/R/xgboost.RThe following values are NOT supported by xgboost, but are supported by xgb.train(): - reg:logistic - binary:logitraw - multi:softmax - rank:ndcg - rank:map - rank:pairwiseprescreen.objective为什么变体目标函数被拒之门外文档强调了一条重要设计约束互为变体、但预测模式prediction mode不同的目标函数不允许在xgboost()中使用否则会破坏其精心设计的接口语义。这类目标函数不写入xgboost()的文档而是由prescreen.objective()函数在训练前进行拦截。prescreen.objective()位于 R-package/R/xgboost.R实现要点如下prescreen.objective - function(objective) { if (!is.null(objective)) { if (!is.character(objective) || length(objective) ! 1L || is.na(objective)) { stop(objective must be a single character/string variable.) } if (objective %in% .OBJECTIVES_NON_DEFAULT_MODE()) { stop(Objectives with non-default prediction mode (...) are not supported in xgboost(). Try xgb.train().) } if (objective %in% .RANKING_OBJECTIVES()) { stop(Ranking objectives are not supported in xgboost(). Try xgb.train().) } } }其中两类黑名单定义在 R-package/R/utils.R.OBJECTIVES_NON_DEFAULT_MODE()c(reg:logistic, binary:logitraw, multi:softmax)——这些目标函数是reg:squarederror/binary:logistic/multi:softprob的变体区别在于输出是原始边际分数margin而非概率因此预测接口语义不同.RANKING_OBJECTIVES()c(rank:pairwise, rank:ndcg, rank:map)——learning-to-rank 目标函数。该函数在xgboost()内部被调用R-package/R/xgboost.R一旦命中黑名单即报错并提示Try xgb.train()。同样地xgb.cv()在交叉验证时也会检查 ranking 目标R-package/R/xgb.cv.R。此外process.y.margin.and.objective()还会根据y的类型自动校验 objective 与数据类型的匹配例如二分类 factor 只能配合binary:logistic或binary:hinge参见 R-package/R/utils.R 与 R-package/R/xgboost.R。底层校验链路从形参到核心库的完整旅程理解参数如何从 R 函数签名一路抵达核心库有助于你判断新参数该加在哪一层。以xgboost()为例R-package/R/xgboost.Rcheck.deprecation(deprecated_xgboost_params, match.call(), ...)处理弃用参数对旧名eta、gamma、lambda、alpha、data、label等发出警告或报错并自动重定向到新名。严格模式下环境变量开启时会直接报错普通模式下则给出将在未来版本变为错误的警告见 R-package/R/utils.Rparams - as.list(environment())收集形参然后用formalArgs(xgb.params)过滤出真正属于核心库参数的部分剔除objective、base_margin、monotone_constraints、interaction_constraints等需要额外 R 侧处理的参数prescreen.objective(objective)预检目标函数是否受支持处理y、base_margin、行权重、x的类型data.frame / matrix / 稀疏矩阵等必要时调用xgb.QuantileDMatrix或xgb.DMatrix构建数据最终把合并后的params列表交给xgb.train()R-package/R/xgboost.R再经由check.booster.params()做最后一层 R 侧校验——包括把参数名中的.统一替换为_兼容min.split.loss这类写法、检测重复参数等见 R-package/R/utils.R随后才通过 C 接口传入核心库。对于走xgb.train()的用户同一套参数校验由xgb.train中的check.deprecation(deprecated_train_params, ...)承担R-package/R/xgb.train.R弃用表见 R-package/R/utils.R。总结新增参数后的自检清单结合 doc/R-package/adding_parameters.rst 与源码实现完成一个核心库新参数的全量同步后建议按以下清单自检xgb.params()形参新参数已插入位置与 doc/parameter.rst 中第一次出现的位置一致xgb.params()文档param说明已从 .rst 复制并完成反引号、字符串引号、\eqn{}公式等替换仅适用于特定 booster 的参数已加适用范围说明多 booster 默认值不同的已分别列出xgboost()形参已放在tree_method之后与xgb.params()保持相对顺序未侵占签名顶部的精选参数位置xgboost()文档语义一致的参数依靠inheritParams xgb.params自动继承有差异的参数如objective单独编写并列出支持/不支持清单使用别名的参数只保留描述性更强的那个并单独补param目标函数/评估指标同时更新xgb.params()与xgboost()两处文档预测模式不同的目标函数变体与 ranking 目标不写入xgboost()文档由prescreen.objective()拦截弃用与兼容若新参数有旧名或旧别名同步考虑加入deprecated_*_params映射表见 R-package/R/utils.R保证用户旧代码平滑迁移测试覆盖参考 R-package/tests/testthat/test_basic.R 中xgb.params(...)的既有用法补充用例覆盖新参数在xgb.train()与xgboost()两条路径上的传递。遵循这套流程即可让 R 接口始终与核心库的参数能力保持同步同时维持xgb.params()的全覆盖与xgboost()的精炼接口两种定位的清晰分工。【免费下载链接】xgboostScalable, Portable and Distributed Gradient Boosting (GBDT, GBRT or GBM) Library, for Python, R, Java, Scala, C and more. Runs on single machine, Hadoop, Spark, Dask, Flink and DataFlow项目地址: https://gitcode.com/gh_mirrors/xg/xgboost创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 XGBoost R 包开发指南：如何将核心库新参数同步到 xgb.params 与 xgboost
XGBoost R 包开发指南如何将核心库新参数同步到 xgb.params 与 xgboost【免费下载链接】xgboostScalable, Portable and Distributed Gradient Boosting (GBDT, GBRT or GBM) Library, for Python, R, Java, Scala, C and more. Runs on single machine, Hadoop, Spark, Dask, Flink and DataFlow项目地址: https://gitcode.com/gh_mirrors/xg/xgboost本篇技术指南面向 XGBoost 的 R 包维护者与二次开发者完整讲解如何把核心库C新增的训练参数同步到 R 接口的标准化流程从xgb.params参数构造函数的定位与实现原理到xgboost高层函数的签名维护、别名与弃用参数处理再到目标函数objective与评估指标eval_metric的特殊限制。读完本文你将掌握一套可复现、有源码依据的参数同步 SOP并理解 R 包与核心库之间的参数契约是如何被测试与校验的。背景R 包如何向核心库传递参数XGBoost 核心库接受一长串输入参数——例如决策树的max_depth、各类正则化系数、以及控制计算发生在哪个设备上的device等见 parameter.rst。随着 XGBoost 持续演进新参数不断被加入而各语言绑定层必须保证核心库接受的一切参数都能传得进去。在 R 语言中这些参数以 Rlist对象的形式传给xgb.train()。但 R 接口的目标是提供更地道、更符合 R 用户习惯的体验它提供了一个带完整包内文档in-package documentation的参数构造函数xgb.params()使用户在 IDE 中就能获得完整的自动补全autocompletion与参数说明。这就要求参数清单及其文档不仅存在于 XGBoost 的通用在线文档中还必须同步维护在 R 包内部。xgb.params参数构造函数的实现原理xgb.params()位于 R-package/R/xgb.train.R其实现非常轻量xgb.params - function( objective NULL, verbosity NULL, nthread NULL, seed NULL, booster NULL, eta NULL, learning_rate NULL, gamma NULL, min_split_loss NULL, max_depth NULL, ... ndcg_exp_gain NULL ) { out - as.list(environment()) out - out[!sapply(out, is.null)] return(out) }它的核心逻辑只有三步将所有形参收集为命名列表as.list(environment())剔除值为NULL的条目out[!sapply(out, is.null)]返回该列表供xgb.train(data ..., params xgb.params(...), ...)直接使用。由于所有参数默认值均为NULL用户只传自己关心的参数即可。例如params - xgb.params( objective reg:squarederror, nthread 1, tree_method hist, max_bin 8 )这在 R 包测试中随处可见例如 tests/testthat/test_basic.R 中大量以params xgb.params(...)形式组织训练调用。在设计约束上文档明确要求xgb.params()应当接受核心库的全部可能参数作为形参且排列顺序与在线文档中参数的罗列顺序一致这样用户对照文档查阅时不会产生错位。第一步把新参数加入 xgb.params当核心库新增了一个参数假设是new_param把它加入xgb.params()需要遵循以下三个步骤1.1 按在线文档顺序插入正确位置参数必须插入到与核心库 .rst 参数文档即 doc/parameter.rst中相同的相对位置。如果一个参数出现了多次例如它同时适用于多种 booster 类型则按第一次出现的位置放置。这样保证了函数签名与官方文档的可对照性。1.2 从 .rst 文档复制参数说明为 param 条目把 .rst 文件中对参数的说明复制过来作为xgb.params()的 roxygenparam条目这些文档同时也构成了xgb.train()的参数文档。复制后通常需要做少量机械替换文档中列举了典型的几种把双反引号param替换为单反引号param适配 roxygen 渲染对需要以字符串形式传入的变量加引号enquoting把.rst中的:math:指令替换为 roxygen 等价写法\eqn{}。例如xgb.params文档中对min_split_loss的说明就使用了\eqn{[0, \infty)}来呈现取值范围对rmsle指标则用\eqn{\sqrt{\frac{1}{N}[log(pred 1) - log(label 1)]^2}}呈现公式见 R-package/R/xgb.train.R。1.3 针对 R 接口做最小化适配由于每个参数在xgb.params()中只列出一次需要根据情况补充少量说明如果参数只适用于某一种 booster例如 Dart 的rate_drop、线性 booster 的feature_selector应在参数说明开头注明其适用范围如(for Dart Booster)、(for Linear Booster)如果参数在不同 booster 类型下默认值不同应分别列出。源码中这类标注非常典型例如# param feature_selector (for Linear Booster) (default cyclic) # param sample_type (for Dart Booster) (default uniform) # param reg_lambda (alias: lambda) # - For tree-based boosters: ... default: 1, range: \eqn{[0, \infty]} # - For linear booster: ... default: 0, range: \eqn{[0, \infty)}参见 R-package/R/xgb.train.R 与 R-package/R/xgb.train.R。第二步把参数同步到 xgboost 高层函数xgb.params()是底层、全覆盖的参数入口而xgboost()是面向终端用户的高层建模函数它并不打算支持核心库的所有能力。文档明确举例与 learning-to-rank 相关的参数就没有列入xgboost()——因为该函数的使用方式决定了这些参数无法生效但它们可以正常用于xgb.train()。xgboost()的定义位于 R-package/R/xgboost.R把新参数加入它需要遵循以下规则2.1 签名位置放在 tree_method 之后xgboost()的形参顺序并非与xgb.params()完全一致有少数精选参数被移动到签名更靠前的位置例如max_depth、learning_rate、min_child_weight、min_split_loss、reg_lambda等紧跟在x/y/objective/nrounds之后。新参数不应插入这些顶部位置而应放在参数tree_method之后在剩余参数中按照它在xgb.params()中的相对顺序安放。tree_method之后的所有参数仍保持与xgb.params()一致的相对次序。2.2 文档继承与个别修正如果参数在xgboost()中的语义与xgb.train()完全一致则无需为xgboost()额外编写文档——它通过inheritParams xgb.params默认继承见 R-package/R/xgboost.R。但有些参数需要微调。最典型的是objective并非所有目标函数都被xgboost()支持因此它的文档是单独编写的见下文第三节。2.3 别名处理只保留一个、优先取更直观的名字核心库中许多参数存在别名如eta与learning_rate、lambda与reg_lambda。xgb.params()中两者都保留以兼容底层传递但xgboost()中每个参数只使用一个别名且优先选择描述性更强的名字——例如learning_rate而非etamin_split_loss而非gammareg_lambda而非lambda。注意这种情况下xgboost()仍需为该参数单独写一个param文档条目因为xgb.params()中的文档可能引用的是xgboost()不支持的别名。源码中的弃用映射表deprecated_xgboost_params也印证了这一点——它把eta→learning_rate、gamma→min_split_loss、lambda→reg_lambda、alpha→reg_alpha等旧名重定向到新名见 R-package/R/utils.R。目标函数与评估指标的同步两份文档都要维护随着新目标函数objective和评估指标evaluation metric不断加入需要意识到它们必须同时更新到xgb.params()和xgboost()两处的文档中。xgb.params()中objective与eval_metric的文档最初同样复制自核心库的 .rst 文件覆盖面最全——例如eval_metric文档列出了rmse、mae、logloss、auc、aucpr、ndcg、map、poisson-nloglik、gamma-deviance、tweedie-nloglik、aft-nloglik等全部指标及各自说明见 R-package/R/xgb.train.R。xgboost()的objective文档则在复制后做了额外修改列出哪些支持、哪些不支持并且只引用xgboost()接受的参数别名。以xgboost()的objective文档为例它明确列出了支持值reg:squarederror、binary:logistic、multi:softprob、survival:aft、reg:tweedie等并在末尾专门给出不支持清单见 R-package/R/xgboost.RThe following values are NOT supported by xgboost, but are supported by xgb.train(): - reg:logistic - binary:logitraw - multi:softmax - rank:ndcg - rank:map - rank:pairwiseprescreen.objective为什么变体目标函数被拒之门外文档强调了一条重要设计约束互为变体、但预测模式prediction mode不同的目标函数不允许在xgboost()中使用否则会破坏其精心设计的接口语义。这类目标函数不写入xgboost()的文档而是由prescreen.objective()函数在训练前进行拦截。prescreen.objective()位于 R-package/R/xgboost.R实现要点如下prescreen.objective - function(objective) { if (!is.null(objective)) { if (!is.character(objective) || length(objective) ! 1L || is.na(objective)) { stop(objective must be a single character/string variable.) } if (objective %in% .OBJECTIVES_NON_DEFAULT_MODE()) { stop(Objectives with non-default prediction mode (...) are not supported in xgboost(). Try xgb.train().) } if (objective %in% .RANKING_OBJECTIVES()) { stop(Ranking objectives are not supported in xgboost(). Try xgb.train().) } } }其中两类黑名单定义在 R-package/R/utils.R.OBJECTIVES_NON_DEFAULT_MODE()c(reg:logistic, binary:logitraw, multi:softmax)——这些目标函数是reg:squarederror/binary:logistic/multi:softprob的变体区别在于输出是原始边际分数margin而非概率因此预测接口语义不同.RANKING_OBJECTIVES()c(rank:pairwise, rank:ndcg, rank:map)——learning-to-rank 目标函数。该函数在xgboost()内部被调用R-package/R/xgboost.R一旦命中黑名单即报错并提示Try xgb.train()。同样地xgb.cv()在交叉验证时也会检查 ranking 目标R-package/R/xgb.cv.R。此外process.y.margin.and.objective()还会根据y的类型自动校验 objective 与数据类型的匹配例如二分类 factor 只能配合binary:logistic或binary:hinge参见 R-package/R/utils.R 与 R-package/R/xgboost.R。底层校验链路从形参到核心库的完整旅程理解参数如何从 R 函数签名一路抵达核心库有助于你判断新参数该加在哪一层。以xgboost()为例R-package/R/xgboost.Rcheck.deprecation(deprecated_xgboost_params, match.call(), ...)处理弃用参数对旧名eta、gamma、lambda、alpha、data、label等发出警告或报错并自动重定向到新名。严格模式下环境变量开启时会直接报错普通模式下则给出将在未来版本变为错误的警告见 R-package/R/utils.Rparams - as.list(environment())收集形参然后用formalArgs(xgb.params)过滤出真正属于核心库参数的部分剔除objective、base_margin、monotone_constraints、interaction_constraints等需要额外 R 侧处理的参数prescreen.objective(objective)预检目标函数是否受支持处理y、base_margin、行权重、x的类型data.frame / matrix / 稀疏矩阵等必要时调用xgb.QuantileDMatrix或xgb.DMatrix构建数据最终把合并后的params列表交给xgb.train()R-package/R/xgboost.R再经由check.booster.params()做最后一层 R 侧校验——包括把参数名中的.统一替换为_兼容min.split.loss这类写法、检测重复参数等见 R-package/R/utils.R随后才通过 C 接口传入核心库。对于走xgb.train()的用户同一套参数校验由xgb.train中的check.deprecation(deprecated_train_params, ...)承担R-package/R/xgb.train.R弃用表见 R-package/R/utils.R。总结新增参数后的自检清单结合 doc/R-package/adding_parameters.rst 与源码实现完成一个核心库新参数的全量同步后建议按以下清单自检xgb.params()形参新参数已插入位置与 doc/parameter.rst 中第一次出现的位置一致xgb.params()文档param说明已从 .rst 复制并完成反引号、字符串引号、\eqn{}公式等替换仅适用于特定 booster 的参数已加适用范围说明多 booster 默认值不同的已分别列出xgboost()形参已放在tree_method之后与xgb.params()保持相对顺序未侵占签名顶部的精选参数位置xgboost()文档语义一致的参数依靠inheritParams xgb.params自动继承有差异的参数如objective单独编写并列出支持/不支持清单使用别名的参数只保留描述性更强的那个并单独补param目标函数/评估指标同时更新xgb.params()与xgboost()两处文档预测模式不同的目标函数变体与 ranking 目标不写入xgboost()文档由prescreen.objective()拦截弃用与兼容若新参数有旧名或旧别名同步考虑加入deprecated_*_params映射表见 R-package/R/utils.R保证用户旧代码平滑迁移测试覆盖参考 R-package/tests/testthat/test_basic.R 中xgb.params(...)的既有用法补充用例覆盖新参数在xgb.train()与xgboost()两条路径上的传递。遵循这套流程即可让 R 接口始终与核心库的参数能力保持同步同时维持xgb.params()的全覆盖与xgboost()的精炼接口两种定位的清晰分工。【免费下载链接】xgboostScalable, Portable and Distributed Gradient Boosting (GBDT, GBRT or GBM) Library, for Python, R, Java, Scala, C and more. Runs on single machine, Hadoop, Spark, Dask, Flink and DataFlow项目地址: https://gitcode.com/gh_mirrors/xg/xgboost创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考