params = {
# 通用参数
'booster': 'gbtree', # 使用的弱学习器,有两种选择gbtree（默认）和gblinear,
# gbtree是基于树模型的提升计算，gblinear是基于线性模型的提升计算
'nthread': 4, # XGBoost运行时的线程数，缺省时是当前系统获得的最大线程数
'silent': 0, # 0: 表示打印运行时间信息，1: 表示以缓存方式运行，默认为0
'num_feature': 4, # boosting过程中使用的特征维数
'seed': 1000, # 随机数种子
# 任务参数
'objective': 'multisoftmax', # 多分类的softmax, objective用来定义学习任务及相应的损失函数
'num_class': 3, # 类别总数
# 提升参数
'gamma': 0.1, # 叶子节点进行划分时需要损失函数减少的最小值
'max_depth': 6, # 树的最大深度，缺省值为6，可设置其他值
'lambda': 2, # 正则化权重
'subsample': 0.7, # 训练模型的样本占总样本的比例，用于防止过拟合
'colsample_bytree': 0.7, # 建立树对特征进行采样的比例
'min_child_weight': 3, # 叶子节点继续划分的最小的样本权重和
'eta': 0.1, # 加法模型中使用的收缩步长
}
plst = params.items()