在xgboost的官方文档中，参数分成了三类,下面对三类参数做简要的介绍，由于参数太多，所以只介绍了比较常见的几个，具体可以参考官方文档。
1.通用参数:
booster [default = gbtree] 还有gblinear。
nthread
num_pbuffer
num_feature
2.学习任务参数
这里参数比较少，放到前面来。
objective
reg : linear，线性回归
reg : logistic，逻辑回归
binary : logistic，使用LR二分类，输出概率
binary : logitraw，使用LR二分类，输出Logistic转换之前的分类得分 。
eval_metric
验证集上的评价指标，比如rmse、mae、error、logloss、auc等
3.booster参数
这里的参数是调参的重点
比较重要的有
eta：学习率
gamma：特征分割时损失函数下降的阈值
max_depth:树的最大深度
min_child_weight:叶子节点的最小权重和
subsample:行采样
colsample_bytree, colsample_bylevel, colsample_bynode:列采样
colsample_bytree:每棵树采样的特征比重
colsample_bylevel:每棵树的每一层分裂时采样的特征比重
colsample_bynode:树的每个节点分裂时采样的特征比重
lambda:L2正则系数
alpha:L1正则系数
tree_method: exact 表示精确查找,aprrox表示近似，hist表示使用直方图，Lightgbm同样使用该方法
grow_policy:按层生长或者按叶子生长
调参
下面的内容主要翻译自complete-guide-parameter-tuning-xgboost-with-codes-python
1.刚开始选择一个相对较高的学习率，比如通常设置为0.1就可以，可以根据问题的不同在0.05到3之间进行调整。然后确定在当前学习率下的最优弱分类器数量。
xgboost有一个cv函数在每次迭代时进行交叉验证，最终返回最优的决策树数量
2.确定学习率和决策树数量后，调整boosting参数（包括max_depth, min_child_weight, gamma, subsample, colsample_bytree),
3.调整正则化参数（lambda、alpha）
4.降低学习率并确定最佳参数
下面是摘自文中的调参示例:
1.根据默认参数确定最优迭代次数
2.确定最大深度和叶子节点最小权重
3.确定gamma（分裂时损失函数下降的最小值）
4.确定采样相关参数
5.确定正则化参数
6.减小学习率，提高最大迭代次数
参考:
https://xgboost.readthedocs.io/en/latest/parameter.html
https://www.analyticsvidhya.com/blog/2016/03/complete-guide-parameter-tuning-xgboost-with-codes-python/
https://ask.hellobi.com/blog/ai_shequ/33676
https://snaildove.github.io/2018/12/18/get_started_feature-engineering/
https://zhuanlan.zhihu.com/p/196213786