XGBRegressor vs xgboost.train perbedaan kecepatan yang sangat besar?

Jika saya melatih model saya menggunakan kode berikut:

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)

selesai dalam waktu sekitar 1 menit.

Jika saya melatih model saya menggunakan metode belajar 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)

dibutuhkan lebih dari 30 menit.

Saya akan berpikir kode yang mendasarinya hampir persis sama (yaitu XGBRegressorpanggilan xg.train) - apa yang terjadi di sini?

xgboost.trainakan mengabaikan parameter n_estimators, sementara xgboost.XGBRegressormenerima. Dalam xgboost.train, meningkatkan iterasi (mis. n_estimators) Dikontrol oleh num_boost_round(default: 10)

Dalam kasus Anda, kode pertama akan melakukan 10 iterasi (secara default), tetapi yang kedua akan melakukan 1000 iterasi. Ada tidak akan ada perbedaan besar jika Anda mencoba untuk mengubah clf = xg.train(params, dmatrix)menjadi clf = xg.train(params, dmatrix, 1000),

Referensi

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

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