3. XGBoost 参数详解：通用参数、Booster 参数、学习任务参数与调优策略

XGBoost 拥有超过 30 个可调参数，但核心参数可归为三大类：通用参数（General Parameters）、Booster 参数（Booster Parameters）和学习任务参数（Learning Task Parameters）。理解这三类参数的分工与交互，是进行压力测试与 A/B 分流实验的前提。

3.1 参数分类总览

3.2 通用参数详解

通用参数控制模型运行的基础环境，通常不需要频繁调整。

• booster：选择基学习器。可选 gbtree（默认，树模型）、gblinear（线性模型）、dart（带 Dropout 的树模型）。压力测试中推荐 gbtree。
• nthread：并行线程数。默认使用全部 CPU 核心。在 A/B 分流实验中，建议手动固定为 4 或 8，以保证实验复现性。
• verbosity：日志打印级别。0（静默）、1（警告）、2（信息）、3（调试）。生产环境建议设为 1。

3.3 Booster 参数详解（核心）

Booster 参数直接控制每棵树的生长方式与正则化强度，是调优的主战场。

3.4 学习任务参数详解

学习任务参数定义模型要解决的问题类型与评价标准。

• objective：损失函数。分类用 binary:logistic 或 multi:softmax；回归用 reg:squarederror；排序用 rank:ndcg。
• eval_metric：评估指标。可同时指定多个，如 ['auc', 'logloss']。压力测试中建议至少包含 auc 和 logloss。
• seed：随机种子。固定种子是 A/B 分流实验的底线要求。

3.5 参数调优策略

针对压力测试与 A/B 分流场景，推荐采用网格搜索 + 早停法的混合策略。

1. 粗调阶段：固定 eta=0.1，在 max_depth（3, 5, 7, 9）和 min_child_weight（1, 3, 5）上做网格搜索。
2. 精调阶段：在粗调最优组合基础上，调整 subsample（0.6, 0.8, 1.0）和 colsample_bytree（0.6, 0.8, 1.0）。
3. 正则化阶段：尝试 gamma（0, 1, 3）和 lambda（1, 3, 5），防止过拟合。
4. 收缩阶段：降低 eta 至 0.01~0.05，同时增加 nrounds（配合早停）。

3.6 参数交互关系图

下图展示了三大类参数之间的依赖与交互关系，帮助理解调优时的联动效应。

3.7 参数配置代码示例

以下是一个面向压力测试场景的 XGBoost 参数配置模板，可直接用于 A/B 分流实验的基线模型。

import xgboost as xgb

# 通用参数
params = {
    'booster': 'gbtree',
    'nthread': 4,
    'verbosity': 1,

    # Booster 参数（核心）
    'eta': 0.05,
    'max_depth': 6,
    'min_child_weight': 3,
    'subsample': 0.8,
    'colsample_bytree': 0.8,
    'gamma': 1,
    'lambda': 2,
    'alpha': 0,

    # 学习任务参数
    'objective': 'binary:logistic',
    'eval_metric': ['auc', 'logloss'],
    'seed': 42
}

# 训练配置
dtrain = xgb.DMatrix(X_train, label=y_train)
dvalid = xgb.DMatrix(X_valid, label=y_valid)

model = xgb.train(
    params=params,
    dtrain=dtrain,
    num_boost_round=1000,
    evals=[(dtrain, 'train'), (dvalid, 'valid')],
    early_stopping_rounds=50,
    verbose_eval=100
)