XGBRegressor vs. xgboost.train großer Geschwindigkeitsunterschied?

Wenn ich mein Modell mit dem folgenden Code trainiere:

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)

es endet in ungefähr 1 Minute.

Wenn ich mein Modell mit der Sci-Kit-Lernmethode trainiere:

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)

Es dauert über 30 Minuten.

Ich würde denken, der zugrunde liegende Code ist fast genau der gleiche (dh XGBRegressorAnrufe xg.train) - was ist hier los?

xgboost.trainignoriert den Parameter n_estimatorsund xgboost.XGBRegressorakzeptiert ihn. In xgboost.trainwird das Boosten von Iterationen n_estimatorsdurch num_boost_round(Standard: 10) gesteuert.

In Ihrem Fall führt der erste Code standardmäßig 10 Iterationen aus, der zweite jedoch 1000 Iterationen. Es wird kein großer Unterschied, wenn Sie versuchen , zu ändern , clf = xg.train(params, dmatrix)zu clf = xg.train(params, dmatrix, 1000),

Verweise

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

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