1. Booster 是xgboost 的模型，它包含了训练、预测、评估等任务的底层实现。

xbgoost.Booster(params=None,cache=(),model_file=None)

2. 属性： 通过方法来存取、设置属性。

3. 方法：

• .attr(key)： 获取booster 的属性。如果该属性不存在，则返回None
  • 参数：
    • key： 一个字符串，表示要获取的属性的名字
• .set_attr(**kwargs)： 设置booster 的属性
  • 参数：kwargs： 关键字参数。注意：参数的值目前只支持字符串。 如果参数的值为None，则表示删除该参数
• .attributes()： 以字典的形式返回booster 的属性
• .set_param(params,value=None)： 设置booster 的参数
  • 参数：
    • params： 一个列表（元素为键值对）、一个字典、或者一个字符串。表示待设置的参数
    • value： 如果params 为字符串，那么params 就是键，而value就是参数值。
• .boost(dtrain,grad,hess)： 执行一次训练迭代
  • 参数：
    • dtrain： 一个 DMatrix 对象，表示训练集
    • grad： 一个列表，表示一阶的梯度
    • hess： 一个列表，表示二阶的偏导数
• .update(dtrain,iteration,fobj=None)： 对一次迭代进行更新
  • 参数：
    • dtrain： 一个 DMatrix 对象，表示训练集
    • iteration： 一个整数，表示当前的迭代步数编号
    • fobj： 一个函数，表示自定义的目标函数

  由于Booster 没有.train() 方法，因此需要用下面的策略进行迭代：

for i in range(0,100):
      booster.update(train_matrix,iteration=i)

该方法不是线程安全的。对于每个 booster 来讲，你只能在某个线程中调用它的.predict 方法。如果你在多个线程中调用.predict 方法，则可能会有问题。 要想解决该问题，你必须在每个线程中调用booster.copy() 来拷贝该booster 到每个线程中

• 参数：
  • data： 一个 DMatrix 对象，表示测试集
  • output_margin： 一个布尔值。表示是否输出原始的、未经过转换的margin value
  • ntree_limit： 一个整数。表示使用多少棵子树来预测。默认值为0，表示使用所有的子树。 如果训练的时候发生了早停，则你可以使用booster.best_ntree_limit。
  • pred_leaf： 一个布尔值。如果为True，则会输出每个样本在每个子树的哪个叶子上。它是一个nsample x ntrees 的矩阵。 每个子树的叶节点都是从1 开始编号的。
  • pred_contribs： 一个布尔值。如果为True， 则输出每个特征对每个样本预测结果的贡献程度。它是一个nsample x ( nfeature+1) 的矩阵。 之所以加1，是因为有bias 的因素。它位于最后一列。 其中样本所有的贡献程度相加，就是该样本最终的预测的结果。
  • approx_contribs： 一个布尔值。如果为True，则大致估算出每个特征的贡献程度。
• 返回值：一个ndarray，表示预测结果

4. Booster 没有 train 方法。因此有两种策略来获得训练好的 Booster

• 从训练好的模型的文件中.load_model() 来获取
• 多次调用.update() 方法