xgboost.XGBClassifier 和 xgboost.XGBRegressor 的方法：

• .fit()： 训练模型

fit(X, y, sample_weight=None, eval_set=None, eval_metric=None,
    early_stopping_rounds=None,verbose=True, xgb_model=None)

参数：

• X： 一个array-like，表示训练集
• y： 一个序列，表示标记
• sample_weight： 一个序列，给出了每个样本的权重
• eval_set： 一个列表，元素为(X,y)，给出了验证集及其标签。它们用于早停。 如果有多个验证集，则使用最后一个
• eval_metric： 一个字符串或者可调用对象，用于evaluation metric
  • 如果为字符串，则是内置的度量函数的名字
  • 如果为可调用对象，则它的签名为(y_pred,y_true)==>(str,value)
• early_stopping_rounds： 指定早停的次数。参考xgboost.train()
• verbose： 一个布尔值。如果为True，则打印验证集的评估结果。
• xgb_model：一个Booster实例，或者一个存储了xgboost 模型的文件的文件名。它给出了待训练的模型。 这种做法允许连续训练。

• .predict()：执行预测

predict(data, output_margin=False, ntree_limit=0)

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。

返回值：一个ndarray，表示预测结果

• 对于回归问题，返回的就是原始的预测结果
• 对于分类问题，返回的就是预测类别(阈值为 0.5 )

• .predict_proba(data, output_margin=False, ntree_limit=0) ： 执行预测，预测的是各类别的概率 参数：参考.predict() 返回值：一个ndarray，表示预测结果

它只用于分类问题，返回的是预测各类别的概率

• .evals_result()： 返回一个字典，给出了各个验证集在各个验证参数上的历史值 它不同于cv() 函数的返回值。cv() 函数返回evaluation history 是早停时刻的。而这里返回的是所有的历史值