我在参考 R 库时问这个问题，lightgbm但我认为它同样适用于 Python 和 Multiverso 版本。
有3个参数，其中你可以选择感兴趣的统计模型- metric，eval和obj。我试图用通俗的语言清楚地区分这三个的不同角色。
文档说：
obj 目标函数，可以是字符或自定义目标函数。示例包括回归、regression_l1、huber、binary、lambdarank、multiclass、multiclass
eval 评估函数，可以是（列表）字符或自定义 eval 函数
metric没有 R 文档，除了 catch all 说“see paraters.md”，这也没有真正解释它，但列出了以下选项：
metric, 默认={l2 for regression}, {binary_logloss for binary classification},{ndcg for lambdarank}, type=multi-enum, options=l1,l2,ndcg,auc,binary_logloss,binary_error... l1, 绝对损失， alias=mean_absolute_error, mae l2, square loss, alias=mean_squared_error, mse l2_root, root square loss, alias=root_mean_squared_error, rmse huber, Huber loss fair, Fair loss poisson, Poisson回归ndcg, NDCG map, MAP auc, AUC binary_logloss, log损失 binary_error。对于一个样本，正确分类为 0，错误分类为 1。multi_logloss，多类分类的对数损失 multi_error。多类分类的错误率支持多度量，分隔为，metric_freq，默认=1，度量输出的频率为类型是_training_metric，
我最好的猜测是
obj 是算法的目标函数，即它试图最大化或最小化什么，例如“回归”意味着它最小化平方残差eval 我猜这只是您希望在算法适合时计算的一个或多个附加统计信息。 metric我不知道这与obj和 的用法有何不同eval正如你所说，
obj 是算法的目标函数，即它试图最大化或最小化的目标函数，例如“回归”意味着它最小化残差平方。
metric 和 eval 本质上是相同的。它们的真正区别仅在于使用地点。Eval 与交叉验证方法一起使用（因为它可以用于评估模型的提前停止等？）。公制用于正常列车情况。
混乱源于对几个 gbm 变体（xgboost、lightgbm 和 sklearn 的 gbm + 可能是 R 包）的影响，所有变体的参数名称都略有不同。例如 xgb.cv() 在 python 中使用，eval但对于 R 它使用metric。然后在 python 和 R 的 lgbm.cv() 中eval使用。
我一直很困惑 xgboost 和 lightgbm 之间的切换。Laurae提供了一个绝对令人惊叹的资源，可以帮助您了解每个参数。