params = {'booster': 'gbtree', 'objective': 'reg:linear', 'eval_metric': 'rmse', 'max_depth': 6,#通常取值：3-10 'gamma':0.2,#给定了所需的最低loss function的值 'lambda': 100, 'subsample': 1,#用于训练模型的子样本占整个样本集合的比例 'colsample_bytree': 0.6, 'min_child_weight': 12, # 5~10,孩子节点中最小的样本权重和，即调大这个参数能够控制过拟合 'eta': 0.02,#更新过程中用到的收缩步长，取值范围为：[0,1] 'sample_type': 'uniform', 'normalize': 'tree', 'rate_drop': 0.1, 'skip_drop': 0.9, 'seed': 100, 'nthread':-1 }

这是一组XGBoost的超参数设置，主要用于回归问题。其中，'booster'参数指定使用的模型类型，'objective'参数指定优化目标，'eval_metric'参数指定评估指标，'max_depth'参数指定树的最大深度，'gamma'参数表示在剪枝前必须达到的最小损失减少量，'lambda'参数是L2正则化项的权重，'subsample'参数表示用于训练模型的子样本占整个样本集合的比例，'colsample_bytree'参数表示用于构建每棵树时选择特征的比例，'min_child_weight'参数是孩子节点中最小的样本权重和，'eta'参数表示更新过程中用到的收缩步长，'sample_type'参数表示采样的方式，'normalize'参数表示是否对最终的叶子节点数进行规范化，'rate_drop'参数表示每次迭代删除树的比例，'skip_drop'参数表示保留树的比例，'seed'参数是随机种子，'nthread'参数表示使用的CPU核数。这些参数的调整可以帮助我们提高模型的性能。