xgboost 逻辑回归：objective参数（reg:logistic,binary:logistic,binary:logitraw,）对比分析

一、问题

熟悉xgboost的小伙伴都知道，它在训练模型时，有train（）方法和fit（）方法，两种方法都是用于构建模型的，然而在使用过程中有什么不同的地方呢，这篇文章带领大家一起来看一下。train方法使用如下：

params ={'eta': 0.1,
          'max_depth': 4,
          'num_boost_round':20,
          'objective': 'reg:logistic',
          'random_state': 27,
          'silent':0
        }
model = xgb.train(params,xgb.DMatrix(x_train, y_train))
train_pred=model.predict(xgb.DMatrix(x_test))

而fit方法是直接使用xgboost封装好的XGBClassifier或者XGBRegressor时使用：

model = XGBClassifier(
    learning_rate=0.1,
    n_estimators=20,
    max_depth=4,
    objective='binary:logistic',
    seed=27,
    silent=0
    )
model.fit(x_train,y_train,verbose=True)
fit_pred=model.predict(x_test)
print fit_pred

相同的数据集，相同的参数得到的预测值却是不一样的，fit_pred的值是0,1的具体的预测标签，train_pred的值是0-1之间的概率值；为什么结果是不一样的呢？如何把0-1之间的概率值映射成0,1标签呢？这个后面揭晓，我们先看下，xgboost中用于做逻辑回归的objective的参数都有哪些，得到预测结果有什么不同！

二、objective参数比较

xgboost官方文档关于逻辑回归objective有三个参数，如下：