简介《XGBoost with Python》是Jason Brownlee撰写的一本英文原版经典教材面向具备一定机器学习基础、希望系统掌握XGBoost高效增强学习方法的读者。全书采用PDF格式资源包共1个文件大小仅1.19MB便于离线阅读和随时查阅。书中内容覆盖从梯度提升算法起源到XGBoost实战的完整路径先讲解AdaBoost到梯度提升框架的演进再分析XGBoost的速度、效率优势和决策树基学习器原理随后通过scikit-learn接口演示糖尿病预测这一典型回归任务包括数据准备、模型训练、预测评估以及树深度、学习率、正则化等参数调优并介绍特征重要性计算与可视化方法。读者可借此掌握XGBoost从原理到项目落地的完整技能高效开展数据建模与预测工作。该资源已有74人学习下载是入门并进阶XGBoost的实用资料。1. 这本书是什么为什么 xgboost_with_python 值得一页页翻如果你手头有一份结构化数据——信贷评分、用户流失预测、销量回归都算——想先跑一个靠谱的模型那这本质英文原版经典教材做的正是这件事用 Python 把 XGBoost 从原理、安装、训练到调参完整走一遍。书里回答的是大多数人真正卡住的问题为什么训练完准确率上不去、early stopping 到底怎么配、那几个超参数该往哪个方向拧。它不靠堆数学公式劝退读者而是让模型先跑起来再回头解释每一步在干什么。这本书适合的读者很明确会一点 Python、懂基础机器学习术语、手里有业务数据要建模型的人。教程看了几十篇、代码复制了十几个片段、但从来没完整跑通过一次 XGBoost 的人尤其适合。它最大的价值不是告诉你 XGBoost 有多强而是把「从 DataFrame 到可用模型」这条路铺平让你照着走一遍之后能自己调参、自己排查、自己解释结果。2. 从 Boosting 到 DMatrix读这本书前先立住的理论骨架2.1 梯度提升到底在拟合什么残差、损失函数与正则化很多人把梯度提升理解成「每棵树拟合上一棵树的残差」这个说法方便但不完全准确。真正发生的事情是每一轮迭代新树都在拟合损失函数在当前预测值处的负梯度方向。对回归任务用平方损失时负梯度恰好等于残差所以「拟合残差」只是特例。换成逻辑损失做二分类负梯度就变成了某种概率残差数值上不再等于 y - y_pred。XGBoost 比传统梯度提升更进一步的地方在于它对损失函数做了二阶泰勒展开同时用一阶梯度 g_i 和二阶梯度 h_i相当于每一步都在用牛顿方向更新。这也是为什么 XGBoost 收敛速度快、对学习率不敏感的原因之一。更重要的一点是目标函数长这样目标 Σ 损失(y_i, pred_i) Σ Ω(树_k)后面那项正则化是 XGBoost 区别于老牌 GBDT 实现的核心也是这本书前面章节反复强调的概念。Ω 里有两个关键角色gamma 控制「分裂收益阈值」叶子分裂带来的增益必须大于 gamma 才值得切lambda 控制叶子权重的 L2 收缩把叶子分数往小压。用大白话说模型每次想分裂都要「赚得回来」赚不回来就不切这样树不容易长成一根深不见底的藤。理解了这一层后面所有参数都有了落点max_depth 管树的物理深度min_child_weight 管节点上最少要积累多少二阶梯度才允许继续分subsample 和 colsample_bytree 管的是数据和特征两个维度的随机采样。它们本质都是在「减少单棵树的容量、增加集成多样性」殊途同归。2.2 经典英文教材的目录节奏前四章该细读、哪一章可以跳这类经典英文教材的编排有比较固定的套路开头一定讲安装与环境准备然后讲核心 APIDMatrix、train、predict接着是分类和回归的完整案例再往后是调参与交叉验证最后补特征工程、模型解释和生产部署。我一般会建议读者不看章节顺序按「跑通 → 调参 → 解释」三块来分配精力。环境那一章值得扫一遍而不是跳过因为 Python 版本、pip 和 numpy 的坑都藏在里面后面第三章我会把最小环境确认命令列出来。核心 API 那几章要精读尤其是 DMatrix 和 train 的参数签名——这是全书的地基。分类与回归案例章节至少要亲手敲一遍哪怕数据集是内置的也要把「训练集、验证集、评估指标」这条链路走通。调参章节是全书最值钱的部分对应后面第四章的内容。特征工程以及部署章节第一次读可以快速过。不是不重要而是对于刚上手的人来说先要有稳定产出再谈优化和上线。等你把基础流程跑顺了再回头翻这两块理解的深度会完全不同。读英文原版时不用每个词都查参数名、报错信息、API 调用才是重点这些词在代码里反复出现看几遍自然就记住了。2.3 Python 侧的两个核心对象DMatrix 与 train 接口XGBoost 的 Python 包提供两套接口一套是原生的 xgboost.DMatrix xgboost.train另一套是 sklearn 风格的 XGBClassifier / XGBRegressor 包装器。这本书通常两条线都会讲但底层接口一定要先搞懂因为很多高级特性自定义评估函数、权重设置、直接控制迭代轮数只有原生接口才暴露得最干净。DMatrix 是 XGBoost 自己的数据格式不能直接用 pandas DataFrame 训练。它做的事包括预计算梯度统计信息、标注缺失值位置、附带 label 和权重、把特征按列压缩存储。正是因为有这一层预处理XGBoost 在循环训练时不需要反复扫描原始数据这也是它比起「每次现算梯度」的实现更省时间的原因之一。创建一个 DMatrix 的代码非常简单import xgboost as xgb # 从 DataFrame 构造 DMatrixlabel 单独传 dtrain xgb.DMatrix(X_train, labely_train, weightNone) # 缺失值不用特殊处理DMatrix 默认把 NaN 当缺失 # 如果某些业务字段里 0 是「无意义占位」而不是真实数值请先清洗再喂进来这里有个值得注意的设计缺失值处理是 DMatrix 层面就完成的XGBoost 在分裂时会给缺失值自动学一个方向不需要你提前填充。但 DMatrix 只能识别 NaN如果业务里用 -1、0 或 999 表示缺失这些值会被当成真实数值参与分裂模型很容易被带偏。建立 DMatrix 之前先确认数据里的缺失标记到底长什么样这一步省不掉。train 接口的核心参数是 params、dtrain、num_boost_round 和 evals。params 是参数字典num_boost_round 是树的棵数evals 用来传入验证集做早停。理解了这两个对象的分工后面所有调参都是在和这两个接口打交道。3. 把这本书第一个示例跑起来环境配置与最小建模代码3.1 环境准备Python 装好、numpy 装好、xgboost 装好的确认方法很多人第一步就翻车在环境上。先确认三件事Python 版本、numpy/pandas 是否可用、xgboost 能否被 import。新版 xgboost 对 Python 3.8 以上的支持都很完整但 Windows 上偶尔会遇到 wheel 与 Python 版本不匹配的问题。打开命令行逐条确认# 确认 Python 版本3.8 及以上均可 python --version # 安装或升级基础数值库numpy 是 xgboost 的硬依赖 pip install --upgrade numpy pandas # 安装 xgboost官方版本从 pip 走最省事 pip install --upgrade xgboost # 验证是否装好能打印版本号就说明 import 链路通了 python -c import xgboost; print(xgboost.__version__)逻辑说明先查 Python 版本是因为 xgboost 的预编译 wheel 是按 Python 版本区分的版本太老或太新都可能找不到对应安装包。pip 装 numpy 和 pandas 是为了避免环境里已有旧版本与 xgboost 冲突——xgboost 的 DataFrame 接口底层依赖这两个库缺一个都会在训练时报错。参数说明python --version 输出的第二段数字就是主版本号比如 3.11只要 3.8 就没什么好担心的。pip install --upgrade 会把已装的旧版本顶掉如果你在用 conda 环境优先用 conda install 保持环境一致性。验证命令里的 print(xgboost.version) 是最直接的「装没装好」判据比看安装日志里的一堆输出可靠得多。3.2 最小二分类代码从 DataFrame 到 predict 的全流程环境就绪后用一份二分类数据把全流程跑通。下面的代码可以直接替换成你自己的 CSV只要保证特征列是数值型、标签列是 0/1结构就是通用的。import pandas as pd import xgboost as xgb from sklearn.model_selection import train_test_split # 读数据假设特征是 X 列、标签在 target 列 df pd.read_csv(your_data.csv) X df.drop(columns[target]) y df[target].astype(int) # 划分训练集和验证集stratify 保持正负样本比例 X_train, X_val, y_train, y_val train_test_split( X, y, test_size0.2, random_state42, stratifyy ) # 构造 DMatrix验证集用来观察是否过拟合 dtrain xgb.DMatrix(X_train, labely_train) dval xgb.DMatrix(X_val, labely_val) # 参数先跑保守的初值别一上来就追求极致精度 params { objective: binary:logistic, # 二分类输出概率 eval_metric: logloss, # 与目标函数同族看这个最直观 max_depth: 6, # 树深先别超过 8 eta: 0.05, # 学习率调小轮数相应变多 subsample: 0.8, # 每棵树随机采 80% 样本 colsample_bytree: 0.8, # 每棵树随机采 80% 特征 } evals [(dtrain, train), (dval, eval)] model xgb.train( params, dtrain, num_boost_round1000, evalsevals, early_stopping_rounds50, # 验证集 50 轮不下降就停 verbose_eval100, # 每 100 轮打印一次别刷屏 ) # 预测并评估 pred_prob model.predict(dval) pred_label (pred_prob 0.5).astype(int) print(val acc:, (pred_label y_val.values).mean())逻辑说明这段代码的核心在 evals early_stopping_rounds。num_boost_round 给了 1000 的上限但 early stopping 会在验证集指标连续 50 轮不改善时提前结束所以实际训练轮数大概率是几百。这样可以同时解决「树太多过拟合」和「树太少欠拟合」两个问题不需要提前猜一个准确的轮数。参数说明objective 用 binary:logistic 输出的是概率如果要拿来做业务决策确定阈值的方式后面第六章会提。max_depth6 是保守默认值对大多数表格数据都够用eta0.05 是刻意调小的学习率低意味着每棵树贡献小、需要更多轮数但精度通常更稳。subsample 和 colsample_bytree 都设 0.8是防过拟合的常规操作不是必须。如果你的数据量只有几千行0.8 往下再调会明显欠拟合。3.3 改造成回归模型换 objective 就够了热词里「xgboost 回归模型」「xgboost 回归预测模型」出现频率很高这块单独说一下。把上面的二分类改成回归确实只需要动三个地方objective 换成 reg:squarederroreval_metric 换成 rmselabel 从 0/1 变成连续值。代码改动量很小params { objective: reg:squarederror, # 均方误差回归 eval_metric: rmse, # 用 RMSE 看训练和验证差距 max_depth: 5, # 回归对噪声更敏感树深保守一点 eta: 0.03, subsample: 0.8, colsample_bytree: 0.8, }逻辑说明真正要改的不只是参数。回归目标值如果有严重的长尾分布——比如销量预测里大部分值集中在低位、少数值特别大——平方损失会被这些大值主导模型会拼命去拟合极端样本。常见做法是先把目标值做 log1p 变换训练完再 expm1 还原或者在 DMatrix 里用 set_weight 给不同样本加权。这些细节二分类里不会遇到是回归任务特有的处理。另外评估指标的解读方式完全变了。二分类看 logloss 和准确率回归要看 RMSE 和真实业务量级的比例。同样一个 RMSE3.2日销量在 10 到 100 之间波动和 1000 到 5000 之间波动完全是两个量级的模型。跑通代码只是第一步指标是否落在业务可接受范围内才是需要盯着看的东西。4. 超参数设置与自动调参这本书里最值钱的章节怎么用4.1 参数体系速查eta、max_depth、subsample、colsample_bytree 都该往哪调XGBoost 参数多但真正每天要碰的也就这七八个。下面这张表是「先跑通再调优」的最小集合每个参数都写了作用、常见范围和容易踩的坑参数默认值作用常见范围踩坑点etalearning_rate0.3每棵树的学习步长越小越稳、需要更多树0.01 ~ 0.1默认 0.3 在数据量大时容易前期就过拟合max_depth6单棵树最大深度3 ~ 10超过 10 基本就是自找过拟合min_child_weight1节点分裂所需最小二阶梯度之和1 ~ 10对回归任务这个值调大能压噪声subsample1每棵树随机采样的样本比例0.6 ~ 1.0小于 0.5 时欠拟合风险大colsample_bytree1每棵树随机采样的特征比例0.6 ~ 1.0特征少时别调太低否则每棵树都缺胳膊少腿gamma0分裂所需最小增益增量0 ~ 5调太大树会不分裂训练轮数跟着涨lambda1叶子权重的 L2 正则1 ~ 10默认 1 已经有效往上调要配合重新看曲线alpha0叶子权重的 L1 正则0 ~ 10有大量稀疏特征时才有明显作用调参方向有一个基本盘eta 越小需要的 num_boost_round 越多两者是跷跷板max_depth 和 min_child_weight 是「树能长多复杂」的开关subsample 和 colsample_bytree 是「随机性来源」它们提供的是集成多样性而不是把精度往上推。如果你只有一个小时调参先把 eta 调到 0.05、开 early stopping比漫无目的地试 max_depth 各种取值收益更大。这是这本书里最难用文字表达、又最值得理解的部分先让训练「慢而稳」再去动树的复杂度。「玄学调参」多半是没理解 eta 和轮数的关系就开始乱试了。4.2 用交叉验证与 early stopping 找迭代次数而不是瞎猜确定树的棵数是调参的第一步。最稳的办法不是比较几个 num_boost_round 值而是用 xgboost 自带的 cv 函数做 k 折交叉验证同时配合早停。下面这段代码用 5 折 cv 找到最优轮数再用这个轮数重新训练全量模型import numpy as np import xgboost as xgb # 复用前面的 params注释掉 eval_metric 会让 cv 自动按 objective 选指标 params { objective: binary:logistic, eval_metric: logloss, max_depth: 6, eta: 0.05, subsample: 0.8, colsample_bytree: 0.8, } # nfold5 表示 5 折早停看的是折内平均指标 cv_result xgb.cv( params, dtrain, num_boost_round2000, nfold5, early_stopping_rounds50, verbose_eval50, seed42, ) # cv_result 里有每轮的 train-logloss-mean 和 test-logloss-mean best_round np.argmin(cv_result[test-logloss-mean]) 1 print(fbest round: {best_round}, min cv logloss: {cv_result[test-logloss-mean].min():.4f}) # 用最优轮数重训最终模型 final_model xgb.train(params, dtrain, num_boost_roundbest_round)逻辑说明cv 返回的是一个 DataFrame每一行对应一轮迭代的 train/test 指标均值early stopping 生效后行数不再增加。np.argmin 找到验证指标最低的那一轮这个轮数就是当前参数下的最优值。之后用全量数据重训时直接把这个轮数传给 num_boost_round省掉「模型训练完成后还要再验证一次」的浪费。参数说明nfold5 是时间和稳定性的折中数据量小可以用 5数据量大可以降到 3。early_stopping_rounds50 表示连续 50 轮指标没改善就提前停止这个值设太小时最优轮数容易被噪声干扰太少 —— 比如只有 10 —— 会在真实最优轮数之前就掐断反而多跑了好几轮。verbose_eval50 控制打印频率cv 输出会很多调成 50 或 100 能省不少眼力。这里配合早停还有一个附带收益交叉验证 早停的组合能消灭大量无用的训练轮数这是提升运行效率最不折腾的一步。4.3 用 RandomizedSearchCV 自动设置超参数代码与注意点热词里「xgboost超参数自动设置」指向的就是网格搜索和随机搜索。常见做法是用 sklearn 的 RandomizedSearchCV 套 XGBRegressor 或 XGBClassifier做法是可以依存的。它和原生 xgboost.train 的差异在于包装器直接支持 fit/predict 接口sklearn 的交叉验证工具才能无缝接进来。下面按回归场景给一份可直接改的参数分布from sklearn.model_selection import RandomizedSearchCV from xgboost import XGBRegressor from scipy.stats import uniform, randint # 注意搜索的是 sklearn 包装器的参数名和原生 params 键基本一一对应 param_dist { max_depth: randint(3, 9), min_child_weight: randint(1, 8), subsample: uniform(0.6, 0.35), # 0.6 ~ 0.95 colsample_bytree: uniform(0.6, 0.35), reg_lambda: uniform(0.5, 4.0), # lambda 的搜索范围 gamma: uniform(0, 2.0), } model XGBRegressor( n_estimators200, # 先用固定轮数粗搜找到好参数后再配合 early stopping 细调 learning_rate0.05, objectivereg:squarederror, random_state42, n_jobs-1, # 用满所有 CPU 核 ) search RandomizedSearchCV( model, param_dist, n_iter20, # 每组参数完整训练一次20 组是时间和效果的平衡点 cv3, scoringneg_root_mean_squared_error, verbose1, random_state42, ) search.fit(X_train, y_train) # 传 numpy 数组或 DataFrame 都行 print(best params:, search.best_params_)逻辑说明RandomizedSearchCV 会把每次抽到的参数组合完整跑一遍 cv 并比较得分n_iter20 就是 20 组参数 × 3 折 60 次完整训练。在数据量几万行时这通常要跑几分钟到十几分钟所以数据量大时建议把 n_iter 降到 10、或者先用 hist 树方法加速。一个很容易被忽略的点搜索时 n_estimators 是固定值搜完的最优参数只是「在这个固定轮数下」的最优拿到 best_params_ 之后还要用它们重跑一次 xgb.cv 找真正的最优轮数。参数说明uniform 和 randint 来自 scipy.statsrandint 在区间内等概率取整数uniform 在区间内均匀取浮点数。scoringneg_root_mean_squared_error 是 sklearn 对 RMSE 的变体越大越好所以 best_score_ 会是负数别看到负数就以为出错了。n_jobs-1 能让并行训练跑满 CPU但如果你的机器同时还在跑别的东西保守一点设成 4 或 8 更稳妥。调参的顺序本身比参数更重要。我的习惯是默认参数跑通 → 固定轮数粗搜树结构参数max_depth、min_child_weight、subsample、colsample→ 用 xgb.cv 配合早停找最优轮数 → 固定最优轮数细搜正则参数lambda、gamma、alpha。这个顺序的目标是每次只扰动一小部分变量避免参数之间互相抵消排查起来也容易。5. 踩坑记录XGBoost 配 Python 最常见的 5 个翻车现场5.1 翻车一Windows 下 pip 安装失败import 直接报错现象pip install xgboost 报了很长一段红字或者装完以后 import xgboost 提示 DLL load failed。原因大部分情况是 Python 版本与预编译 wheel 不匹配少部分是系统缺 Visual C 运行库。xgboost 的 Windows 包依赖 VC redistributable精简版系统经常缺这个。解决先把 pip 升级到最新再装命令是 python -m pip install --upgrade pip再确认 Python 版本和 wheel 匹配3.8 以上用最新版 xgboost 基本没兼容问题。如果还报 DLL 错误去微软官网装 Visual C Redistributable装完重启终端再 import。这个坑在 Linux 和 macOS 上很少出现Windows 用户碰到了先怀疑运行库别急着重装 Python。5.2 翻车二中文列名导致训练报错或者模型文件路径打不开现象pandas DataFrame 的列名是中文训练时报 ValueError或者训练好的 model 文件用中文路径保存后加载失败。原因xgboost 底层特征名处理依赖字节流中文字符在部分版本里会和默认编码冲突中文路径问题多数是文件系统编码不一致导致的Windows 上尤其明显。解决训练前统一把列名改成英文小写用 df.columns [feat_1, feat_2, ...] 或者 df.rename(columnsstr.lower) 一把处理掉。模型保存和加载路径也不要出现中文这是很多从业项目从开发机迁到生产服务器时才暴露出来的问题。提早养成「数据列名和路径全英文」的习惯能省掉一整类莫名其妙的报错。5.3 翻车三类别变量没编码就丢进去特征重要性全乱现象数据里有一列是城市名或者产品类目直接喂给 DMatrix 训练不报错但特征重要性里这列的表现很奇怪或者模型效果明显不如预期。原因xgboost 只接受数值输入字符串列在构造 DMatrix 时如果版本较新会被当成类别处理但编码方式是隐式的、不可控的旧版本则会直接报类型错误。解决不管版本如何统一在训练前自己做编码。类别取值少个位数用 One-Hot 编码取值多用 Label Encoding 或者目标编码。但要注意 Label Encoding 会给类别赋予大小关系比如「北京0、上海1、广州2」这种大小关系可能误导树的分裂。实际操作中取值多的类别列我一般先用 One-Hot如果维度爆炸再换成目标编码或者直接用 xgboost 的 enable_categorical 特性并保证所有列都是 category 类型。5.4 翻车四early stopping 不生效或者验证集指标先降后升现象设了 early_stopping_rounds但训练一直跑满 num_boost_round或者训练时验证集指标一直在降过一会儿又开始上升早停没拦住。原因早停不生效通常是忘了传 evals或者传了但评估集划分得太小、噪声太大导致 50 轮里随机波动超过真实提升先降后升说明模型已经过拟合而早停轮数设得太大放过了这段过拟合窗口。解决检查 train 调用里有没有 evals[(dval, eval)] 这个参数没有评估集早停无从谈起。验证集划分要有代表性样本量不足时用 stratify 或者按时间切分。early_stopping_rounds 从 20 到 50 之间试数据噪声大时调小数据量大时调大。还有一个习惯同时观察 train 和 eval 两条曲线train 一直降而 eval 开始回升就是过拟合的明确信号这时候该改的不是早停轮数而是树结构参数减小 max_depth、增大 min_child_weight。5.5 翻车五训练慢、内存大没开 hist 和 GPU现象几万行数据、几百个特征训练一轮要几十秒甚至几分钟CPU 占用还忽高忽低。原因默认的 tree_method 是 exact每一轮都精确扫描所有特征的所有分裂点。数据量一大这个精确计算就成了性能瓶颈。解决加上 tree_methodhist 或用新版参数 devicecuda旧版本是 tree_methodgpu_hist。hist 用直方图近似寻找分裂点精度损失通常可以忽略训练速度能快好几倍。如果你的机器有 NVIDIA GPU把 device 指过去十亿级以下的数据基本都能跑到「分钟级出结果」的水平。这里有个版本惯注意点新版 xgboost 已经统一用 device 参数老的 gpu_id 写法在新版本里会报 warning照着官方文档的当前用法来别沿用旧项目的配置。你加了 hist 之后之前「1 万行数据跑 30 秒」的血泪经验基本可以告别了。6. 收尾技巧验证、解释与把模型装进 Pipeline6.1 用 AUC 和 KS 验证二分类模型不只是看 accuracy准确率在正负样本不均衡时极具欺骗性99% 负样本的数据全预测负样本也能拿到 99% 准确率。二分类模型我一般先看 AUC再算 KS两个指标互补。代码很短from sklearn.metrics import roc_auc_score # 假设 pred_prob 是验证集预测概率 auc roc_auc_score(y_val, pred_prob) # KS 统计量 正样本预测分布与负样本预测分布的最大差距 ks max((pred_prob[y_val 1].min() # 简化示意完整用 ecdf 算这段是简化写法真正算 KS 用 scipy 的 ecdf 或自行排序累计但 AUC 一行就能给出来先看 AUC 再画 ROC 曲线比裸看准确率靠谱得多。6.2 从 feature_importance 到 SHAP解释模型的一小步feature_importance 是这本书会教的常规解释手段但它只告诉你「哪些特征被用得多」不告诉你「这个特征怎么影响预测方向」。如果业务方追问「为什么这单被拒」就需要 SHAP 了。常见的做法是装 shap 库对单个样本画 waterfall能直接看到每个特征把预测值往哪个方向推了多少。这一段不需要太多代码但它能把模型从黑匣子变成半透明的这会在和业务沟通时省下大量解释成本。6.3 把 xgboost 放进 sklearn Pipeline保存与加载的完整闭环把预处理和模型放进一个 Pipeline训练、验证、保存一条龙能避免线上预测时漏掉某一步预处理。最小闭环长这样from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from xgboost import XGBClassifier import joblib pipe Pipeline([ (scaler, StandardScaler()), # xgboost 不要求归一化但 pipeline 统一入口是好事 (model, XGBClassifier(n_estimators200, learning_rate0.05)), ]) pipe.fit(X_train, y_train) joblib.dump(pipe, model_pipeline.pkl) # 加载时 joblib.load 一行回来逻辑说明pipeline 里放不放 scaler 因人而异xgboost 对特征尺度不敏感但统一入口的最大价值在于predict 时不会再出现「训练时做了编码/填充、预测时忘了做」的尴尬。joblib 保存的是整个流水线加载后直接 .predict省心。做模型这么久我最大的教训是每次调参前先写下当前要验证的假设改一个参数、看一条曲线、记一个结果。不记笔记的调参就是掷骰子复现不了也解释不了。把这本书从头到尾走一遍你一定会有自己的参数偏好和踩坑清单希望帮到你。本文还有配套的精品资源点击获取