我已经知道"xgboost.XGBRegressor是XGBoost的Scikit Learn Wrapper接口。">
但它们还有其他区别吗？
xgboost.train是通过梯度提升方法训练模型的低级API。
xgboost.XGBRegressor和xgboost.XGBClassifier是准备DMatrix并传入相应目标函数和参数的包装器(Scikit Learn-like wrappers，正如他们所称)。最后，fit调用简单地归结为：
self._Booster = train(params, dmatrix,
self.n_estimators, evals=evals,
early_stopping_rounds=early_stopping_rounds,
evals_result=evals_result, obj=obj, feval=feval,
verbose_eval=verbose)
这意味着可以用XGBRegressor和XGBClassifier完成的一切都可以通过底层xgboost.train函数实现。另一种方式显然不是真的，例如xgboost.train的一些有用参数在XGBModelAPI中不受支持。显著差异列表包括：
xgboost.train允许设置在每次迭代结束时应用的callbacksxgboost.train允许通过xgb_model参数继续训练xgboost.train不仅允许eval函数的最小化，还允许最大化
@Maxim，截至xgboost 0.90(或更早)，这些差异在该xgboost。XGB分类器.fit:
- 具有
callbacks - 允许使用
xgb_model参数继续 - 并且支持相同的内置eval度量或自定义eval函数
我发现evals_result的不同之处在于，它必须在拟合后单独检索(clf.evals_result())，并且生成的dict不同，因为它不能利用观察列表中评估值的名称(watchlist = [(d_train, 'train'), (d_valid, 'valid')])。
在我看来，主要区别在于训练/预测速度。
为了进一步参考，我将把xgboost.train称为"本机实现"和XGBClassifier.fit称为"sklearn_wrapper">
我已经对数据集形状(240000，348)进行了一些基准测试
装配/训练时间：sklearn_wrapper时间=89秒native_implementation时间=7秒
预测时间：sklearn_wrapper=6秒native_implementation=3.5毫秒
我相信这是因为sklearn_wrapper被设计为使用pandas/numpy对象作为输入，其中native_implementation需要将输入数据转换为xgboost。DMatrix对象。
此外，可以使用native_implementation来优化n_估计器。
@Danil提出了速度上的显著差异，@Mohammad正确地指出了将数据转换为DMatrix结构的必要性。因此，我尝试在Kaggle笔记本电脑环境中复制基准测试。
结果表明，CCD_ 32和CCD_。
编辑：根据评论中的建议添加基准代码
import numpy as np
import xgboost as xgb
xgb.__version__
"1.6.1">
# training data
X = np.random.rand(240000, 348)
y = np.random.rand(240000)
基准xgboost本机实现
```python
%%time
# convert training data
dtrain = xgb.DMatrix(X, label=y)
CPU times: user 3.61 s, sys: 505 ms, total: 4.12 s
Wall time: 1.56 s
```python
%%time
# train the model with default parameters
model = xgb.train({'objective':'reg:squarederror'},dtrain,10)
CPU时间：用户6min 8s，系统：700 ms，总计：6min 9s
壁时间：1min 34s
%%time
# predict with trained model
prediction = model.predict(dtrain)
CPU时间：用户818毫秒，系统：1.01毫秒，总计：819毫秒
墙时间：209毫秒
XGBoost的Benchmark Scikit Learn Wrapper接口
%%time
model = xgb.XGBRegressor(n_estimators=10)
model.fit(X,y)
CPU时间：用户6min 15s，系统：1.2s，总计：6min 16s
壁时间：1min 37s
XGB回归器(base_score=0.5，booster='btree'，callbacks=None，colsample_bylevel=1，colsample_bynode=1，colsample_bytree=1，early_stopping_rounds=无，enable_categorical=错误，eval_metric=None，gamma=0，gpu_id=-1，growt_policy='depthwise'，importance_type=None，interaction_contraints=''，learning_rate=0.3000000012，max_bin=256，max_cat_to_nonehot=4，max_delta_step=0，max_depth=6，max_leave=0，min_child_weight=1，missing=nan，单调约束='()'，n_estimulations=10，n_jobs=0，num_parallel_tree=1，predictor='auto'，random_state=0，reg_alpha=0，reg_lambda=1，…)
%%time
prediction_1 = model.predict(X)
CPU时间：用户1.48秒，系统：1.99毫秒，总计：1.48秒
壁时间：380毫秒