1. objective：指定任务类型，默认为'reg:linear' 。

• 'reg:linear'： 线性回归模型。它的模型输出是连续值
• 'reg:logistic'： 逻辑回归模型。它的模型输出是连续值，位于区间[0,1] 。
• 'binary:logistic'： 二分类的逻辑回归模型，它的模型输出是连续值，位于区间[0,1] ，表示取正负类别的概率。 它和'reg:logistic' 几乎完全相同，除了有一点不同：
  • 'reg:logistic' 的默认evaluation metric 是 rmse 。
  • 'binary:logistic' 的默认evaluation metric 是 error
• 'binary:logitraw'： 二分类的逻辑回归模型，输出为分数值（在logistic 转换之前的值）
• 'count:poisson'： 对 count data 的 poisson regression， 输出为泊松分布的均值。
• 'multi:softmax'： 基于softmax 的多分类模型。此时你需要设定num_class 参数来指定类别数量。
• 'multi:softprob'： 基于softmax 的多分类模型，但是它的输出是一个矩阵：ndata*nclass，给出了每个样本属于每个类别的概率。
• 'rank:pairwise'： 排序模型（优化目标为最小化pairwise loss ）
• 'reg:gamma'： gamma regression， 输出为伽马分布的均值。
• 'reg:tweedie'： 'tweedie regression'。

2. base_score： 所有样本的初始预测分，它用于设定一个初始的、全局的bias。 默认为 0.5 。

• 当迭代的数量足够大时，该参数没有什么影响

3. eval_metric： 用于验证集的评估指标。其默认值和objective 参数高度相关。 回归问题的默认值是rmse； 分类问题的默认值是error； 排序问题的默认值是 mean average precision。 你可以指定多个evaluation metrics。 如果有多个验证集，以及多个评估指标.则： 使用最后一个验证集的最后一个评估指标来做早停。但是还是会计算出所有的验证集的所有评估指标。

• 'rmse'： 均方误差。
• 'mae'： 绝对值平均误差
• 'logloss'： 负的对数似然函数
• 'error'： 二分类的错误率。它计算的是：预测错误的样本数/所有样本数 所谓的预测是：正类概率大于0.5的样本预测为正类；否则为负类（即阈值为 0.5 ）
• 'error@t'： 二分类的错误率。但是它的阈值不再是 0.5， 而是由字符串t 给出（它是一个数值转换的字符串）
• 'merror'： 多类分类的错误率。它计算的是：预测错误的样本数/所有样本数
• 'mlogloss'： 多类分类的负对数似然函数
• 'auc'： AUC 得分
• 'ndcg'： Normalized Discounted Cumulative Gain 得分
• 'map'： Mean average precision 得分
• 'ndcg@n','map@n'： n 为一个整数，用于切分验证集的top 样本来求值。
• 'ndcg-','map-','ndcg@n-','map@n-'： NDCG and MAP will evaluate the score of a list without any positive samples as 1. By adding “-” in the evaluation metric XGBoost will evaluate these score as 0 to be consistent under some conditions. training repeatedly
• poisson-nloglik： 对于泊松回归，使用负的对数似然
• gamma-nloglik： 对于伽马回归，使用负的对数似然
• gamma-deviance： 对于伽马回归，使用残差的方差
• tweedie-nloglik： 对于tweedie 回归，使用负的对数似然

4. seed： 随机数种子，默认为 0 。