xgboost.XGBRegressor
①n_estimators
默认100，集成中弱评估器的数量
②subsample
默认1，随机抽样的时候抽取的样本比例，范围(0,1]
对模型的影响应该会非常不稳定，大概率是无法提升模型的泛化能力，但也不发提升模型的可能性
③eta
集成中的学习率，又称为步长，以控制迭代速率，常用于防止过拟合，取值范围[0,1]
④booster
用来控制我们究竟使用怎样的弱评估器。可以输入gbtree，gblinear或dart
gbtree代表梯度提升树
gblinear使用线性模型
dart是dropouts meet multiple additive regression trees，抛弃提升树，在建树的过程中会抛弃一部分树，比梯度提升树有更好的防过拟合功能
⑤objective
reg:linear：使用线性回归的损失函数，均方误差，回归时使用
binary:logistic ：使用逻辑回归的损失函数，对数损失log_loss，二分类时使用
multi:softmax：使用softmax损失函数，多分类时使用
⑥alpha，lambda
alpha：L1正则项的参数，默认0
lambda：L2正则项的参数，默认1
⑦gamma
复杂度的惩罚项，默认0，让树停止生长，gamma是对梯度提升树影响最大的参数之一，其效果丝毫不逊色于n_estimators和防止过拟合的神器max_depth