XGBRegressor vs. xgboost.train ogromna różnica prędkości?

Jeśli trenuję mój model przy użyciu następującego kodu:

import xgboost as xg
params = {'max_depth':3,
'min_child_weight':10,
'learning_rate':0.3,
'subsample':0.5,
'colsample_bytree':0.6,
'obj':'reg:linear',
'n_estimators':1000,
'eta':0.3}

features = df[feature_columns]
target = df[target_columns]
dmatrix = xg.DMatrix(features.values,
                     target.values,
                     feature_names=features.columns.values)
clf = xg.train(params, dmatrix)

kończy się za około 1 minutę.

Jeśli trenuję mój model przy użyciu metody nauki Sci-Kit:

import xgboost as xg
max_depth = 3
min_child_weight = 10
subsample = 0.5
colsample_bytree = 0.6
objective = 'reg:linear'
num_estimators = 1000
learning_rate = 0.3

features = df[feature_columns]
target = df[target_columns]
clf = xg.XGBRegressor(max_depth=max_depth,
                min_child_weight=min_child_weight,
                subsample=subsample,
                colsample_bytree=colsample_bytree,
                objective=objective,
                n_estimators=num_estimators,
                learning_rate=learning_rate)
clf.fit(features, target)

zajmuje ponad 30 minut.

Sądzę, że podstawowy kod jest prawie dokładnie taki sam (tj. XGBRegressorWywołania xg.train) - co się tutaj dzieje?

xgboost.trainzignoruje parametr n_estimators, podczas gdy xgboost.XGBRegressorakceptuje. W xgboost.train, zwiększenie iteracji (tj. n_estimators) Jest kontrolowane przez num_boost_round(domyślnie: 10)

W twoim przypadku pierwszy kod wykona 10 iteracji (domyślnie), ale drugi wykona 1000 iteracji. Nie będzie żadnych duża różnica, jeśli starają się zmienić clf = xg.train(params, dmatrix)w clf = xg.train(params, dmatrix, 1000),

Bibliografia

http://xgboost.readthedocs.io/en/latest/python/python_api.html#xgboost.train

http://xgboost.readthedocs.io/en/latest/python/python_api.html#xgboost.XGBRegressor