分类回归

numPartitions

Spark分区数量，分区越多意味着任务数太多，每次调度耗时会增加，分区太少，会导致一些节点没有分配到任务，并且会使每个分区处理的数据量增大，从而使每个agent节点内存提高。

在0.5~1.5倍的总核数（executor_cores与num_executor乘积）进行网格搜索，建议使用1倍总核数。

maxIter

最大迭代次数，或者子树的最大个数，太小容易欠拟合，太大容易过拟合，并且使模型收敛速度变慢。

在80~120范围内进行搜参，建议使用缺省值100。

stepSize

学习率，即每次迭代子树权重更新幅度，太大会导致收敛震荡，无法收敛，太小收敛较慢，容易陷入局部最优。

在0~1范围内进行搜参，建议使用0.1。

maxDepth

每棵子树的最大树深，取决于样本的特征的多少，即使特征多也不要使用太大，影响延缓收敛速度，并且容易过拟合。

常用的取值范围3~100，建议使用5。

maxBins

每棵子树划分考虑的最大特征数，取决于总的特征数N，太大影响子树生成时间。

建议使用。

doUseAcc

特征并行训练模式开关。设置值包括true（特征并行）和false（样本并行）。

Boolean，缺省值为true。

genericPt

数据读取时的重分区数量，分区越多意味着任务数太多，每次调度耗时会增加，分区太少，会导致一些节点没有分配到任务，并且会使每个分区处理的数据量增大，从而使每个agent节点内存提高。

在1~2倍的总核数（executor_cores与num_executor乘积）进行网格搜索，建议使用1倍总核数。

numCopiesInput

训练数据的副本数量，优化算法新增参数，通过spark.boostkit.ml.rf.numTrainingDataCopies参数设置。与并行度和内存占用有关，调大此参数会提升并行度、增大内存开销。

默认取值为1。

pt

优化算法训练阶段会用到的分区数，通过spark.boostkit.ml.rf.numPartsPerTrainingDataCopy参数设置。

建议取值为总核数/numcopies，向下取整。

featuresType

训练样本数据中特征的存储格式，优化算法新增参数，通过spark.boostkit.ml.rf.binnedFeaturesDataType参数设置。枚举类型，取值为array或fasthashmap，缺省值为array。

维度大于5000时建议设置为fasthashmap；维度小于5000时建议设置为array。

broadcastVariables

是否广播具有较大存储空间的变量，优化算法新增参数，通过spark.boostkit.ml.rf.broadcastVariables参数设置，缺省值为false。

维度大于10000时建议设置为true。

maxDepth

每棵子树的最大树深，取决于样本的特征的多少，即使特征多也不要使用太大，影响延缓收敛速度，并且容易过拟合。

常用的取值范围3~100，建议取值范围11-15。

maxBins

每棵子树划分考虑的最大特征数，值越大越接近精确求解，但太大影响子树生成时间。

建议取值为128。

maxMemoryInMB

存储统计信息的内存最大值。增加此参数允许更少的数据遍历，可以提升训练速度；但增加此参数也会增加每次迭代的通信开销。

建议取值为2048或4096， 对于维度大的数据集可以考虑增加此参数，如设置为10240。

numPartitions

Spark分区数量，分区越多意味着任务数太多，每次调度耗时会增加，分区太少，会导致一些节点没有分配到任务，并且会使每个分区处理的数据量增大，从而使每个agent节点内存提高。

在0.5~1.5倍的总核数（executor_cores与num_executor乘积）进行网格搜索，建议使用1倍总核数。

maxIter

最大迭代次数，控制模型的收敛精度，设置太大，训练时间过长，并且容易使模型过拟合，造成精度下降，设置太小，模型未收敛到最优值，造成精度不高。

在50~150范围内进行搜参，建议使用默认值100。对于features数量较少的数据集可适当减小迭代值。

inertiaCoefficient

历史方向信息在动量计算中的权重，优化算法新增参数，正实数双精度类型，用于对精确度进行调优，通过spark.boostkit.LinearSVC.inertiaCoefficient参数设置。

默认值为0.5。

genericPt

数据读取时的重分区数量，分区越多意味着任务数太多，每次调度耗时会增加，分区太少，会导致一些节点没有分配到任务，并且会使每个分区处理的数据量增大，从而使每个agent节点内存提高。

在1~2倍的总核数（executor_cores与num_executor乘积）进行网格搜索，建议使用1倍总核数。

numCopiesInput

训练数据的副本数量，优化算法新增参数，与优化算法实现有关，通过spark.boostkit.ml.rf.numTrainingDataCopies参数设置。

建议设置为5~10。

pt

优化算法训练阶段会用到的分区数，通过spark.boostkit.ml.rf.numPartsPerTrainingDataCopy参数设置。

建议总核数/numcopies，向下取整。

featuresType

训练样本数据中特征的存储格式，优化算法新增参数，与优化算法实现有关，通过spark.boostkit.ml.rf.binnedFeaturesDataType参数设置。

String，取值范围：array或者fasthashmap，缺省值为array；维度高时建议设置为fasthashmap。

broadcastVariables

是否广播具有较大存储空间的变量，优化算法新增参数，与优化算法实现有关，通过spark.boostkit.ml.rf.broadcastVariables参数设置。

Boolean，缺省值为false，维度高时建议设置为true。

copyStrategy

副本分配策略，支持normal和plus两种策略。默认设置为normal；若训练阶段存在task运行耗时明显长于其他task，可设置为plus模式，通过spark.boostkit.ml.rf.copyStrategy参数设置。

默认值为normal。

numFeaturesOptFindSplits

特征维度阈值，当数据集的特征维度高于该值时，会触发高维特征切分点搜索的优化，缺省值为8196，通过spark.boostkit.ml.rf.numFeaturesOptimizeFindSplitsThreshold参数设置。

如果特征切分点搜索的stage占总时长比重大，可调低该阈值，提前触发高维优化。

maxDepth

每棵子树的最大树深，取决于样本的特征的多少，即使特征多也不要使用太大，影响延缓收敛速度，并且容易过拟合。

常用的取值范围3~100，建议取值范围11-15。

maxBins

每棵子树划分考虑的最大特征数，值越大越接近精确求解，但太大影响子树生成时间。

建议取值为128。

maxMemoryInMB

存储统计信息的内存最大值。增加此参数允许更少的数据便利，可以提升训练速度；但增加此参数也会增加每次迭代的通信开销。

建议取值为2048或4096， 对于维度大的数据集可以考虑增加此参数，如设置为10240。

numPartitions

Spark分区数量，分区越多意味着任务数太多，每次调度耗时会增加，分区太少，会导致一些节点没有分配到任务，并且会使每个分区处理的数据量增大，从而使每个agent节点内存提高。

在0.5~1.5倍的总核数（executor_cores与num_executor乘积）进行网格搜索，建议使用1倍总核数。

numPartitions

Spark分区数量，分区越多意味着任务数太多，每次调度耗时会增加，分区太少，会导致一些节点没有分配到任务，并且会使每个分区处理的数据量增大，从而使每个agent节点内存提高。

在0.5~1.5倍的总核数（executor_cores与num_executor乘积）进行网格搜索，建议使用1倍总核数。

spark.task.cpus

每个任务分配的cpu核数。

建议和executor_cores保持一致。

max_depth

每棵子树的最大树深，取决于样本的特征的多少，即使特征多也不要使用太大，影响延缓收敛速度，并且容易过拟合。

常用的取值范围3~100，缺省值为6。

enable_bbgen

是否使用批伯努利位生成算法，若为true，提高采样性能，继而提高训练性能。

建议为“true”。

rabit_enable_tcp_no_delay

控制Rabit引擎中的通信策略。通常为true会提升训练性能。

建议为“true”。

num_workers

运行XGBoost算法，总任务数。

建议和num-executors保持一致。如果超过num-executors数可能导致算法运行失败。

nthread

运行XGboost算法，每个任务的并行线程数。

建议和executor-cores保持一致。

grow_policy

修改参数，新增depthwiselossltd，控制新树节点加入树的方法，只有在tree_method被设置为hist时生效，需要依据具体训练数据来定。通常情况下，depthwise会带来更高精度，相应训练时长也会增大，lossguide与之相反；depthwiselossltd带来影响居于depthwise，lossguide之间，可通过配置进行调整。

String，缺省值为“depthwise”，可选值为：“depthwise”、“lossguide”、“depthwiselossltd”。

min_loss_ratio

控制训练过程中树节点的剪枝程度，只有在grow_policy为depthwiselossltd时生效，取值越大，剪枝越多，速度越快，精度会有所降低。

Double，缺省值为0，范围[0,1)。

sampling_strategy

控制训练过程中的采样策略，采样频率eachTree>eachIteration>multiIteration>alliteration。采样频率越低，采样时间开销越小，精度可能产生下降。gossSytle是基于梯度的采样，开销稍大，精度更高。

String，缺省值为“eachTree”，可选值为，“eachTree”，“eachIteration”，“alliteration”，“multiIteration”，“gossStyle”。

sampling_step

控制采样的间隔轮次，只有sampling_strategy设置为multiIteration时生效。间隔越大，采样频率越低，采样开销越小，精度可能产生下降。

Int，缺省值为：1，可选值范围：[1,+∞)。

auto_subsample

控制是否采用自动减少采样率策略。开启后，自动尝试使用较小采样频率进行采样，采样率搜索过程可能带来时间开销，若搜索到合适的小采样率，训练过程时间开销会减小。

Boolean，缺省值为：“false”，可选值为：“true”，“false”。

auto_k

控制自动减少采样率策略中的轮次，只有auto_subsample设置为true时生效。值越大，采样率搜索时间开销越大，但搜索结果更准确。

Int，缺省值为：1，可选值范围：[1,+∞)。

auto_subsample_ratio

设置自动减少采样率的比例，为一个Array数组，数组元素升序排列，数组中元素越多 ，尝试搜索的采样率次数越多，时间开销可能增大，搜索结果可能越准确。数组中每个元素越小，代表搜索的采样率的值越小。

Array[Double]，缺省值为：Array(0.05,0.1,0.2,0.4,0.8,1.0)，可选值范围：(0,1]。

auto_r

控制允许的自动减少采样率带来的错误率上升。取值越小，表示容许更大的错误率。

Double，缺省值为：0.95，可选值范围：(0,1]。

random_split_denom

控制候选分割点的使用比例。取值越大，训练时长可能减小，误差可能相对增加。

Int，缺省值为：1，可选值范围：[1,+∞)。

default_direction

控制缺省值的默认方向。缺省值为“learn”，若选用“left”或“right”，训练时长可能减小，精度可能降低。

String，可选值为：“left”，“right”，“learn”。

numPartitions

Spark分区数量，分区越多意味着任务数太多，每次调度耗时会增加，分区太少，会导致一些节点没有分配到任务，并且会使每个分区处理的数据量增大，从而使每个agent节点内存提高。

在0.5~1.5倍的总核数（executor_cores与num_executor乘积）进行网格搜索，建议使用1倍总核数。

testBatchSize

推理阶段单次计算样本数量，数量越多，内存占用越大。优化算法相对于开源KNN算法新增参数，可以在transform阶段使用KNNModel.setTestBatchSize()方法传入参数。

正整数，缺省值为1024。