xgboost 中，objective 是模型学习任务参数（learning task parameters）中的目标参数，它指定训练任务的目标。
objective 参数详解
objective 参数默认值为 reg:squarederror。
reg:squarederror：以均方差（即 MSE）损失函数为最小化的回归问题任务。reg:squaredlogerror：以均方根对数误差为最小化的回归问题任务。reg:logistic：逻辑回归的二分类，评估默认使用均方根误差（rmse）。reg:pseudohubererror：以 Pseudo-Huber 损失函数的回归问题。reg:gamma：使用对数链接（log-link）进行伽马回归。输出是伽马分布的平均值。例如，对于建模保险索赔严重性或对可能是伽马分布的任何结果，它可能很有用。- reg:tweedie：使用对数链接（log-link）进行 Tweedie 回归。常用于建模保险的总损失，或用于可能是 Tweedie-distributed 的任何结果。
binary:logistic：逻辑回归的二分类，输出的也是分类的概率，和reg:logistic一样，不同的是默认采用错误率评估指标。binary:logitraw：逻辑回归的二分类，但在进行逻辑回归转换之前直接输出分类得分。binary:hinge：基于 Hinge 损失函数的二分类，预测输出不是 0 就是 1，而不是分类的概率值。count:poisson：基于泊松回归的计数任务，输出泊松分布的平均值。max_delta_step：可以设置该值，默认为 0.7。
survival:cox：基于 Cox 风险比例回归模型的生存分析任务，如癌症患者生存概率等。survival:aft：基于加速失效模型（aft）的生存分析任务。aft_loss_distribution：概率密度函数，基于survival:aft和 aft-nloglik 作为评价指标。multi:softmax：使用 softmax 多分类器的多分类任务，返回预测的类别，同时也要设置分类的个数。multi:softprob：和 softmax 一样，但是输出的一个形式为ndata * nclass的向量，可以进一步将矩阵 reshape 成 ndata * nclass 的指标，输出的是每个类别的概率值。rank:pairwise：使用 LambdaMART 进行文档对方法排名（pairwise），并使成对损失最小化。rank:ndcg：使用 LambdaMART 进行文档列表方法排名（listwise），并使标准化折让累积收益（NDCG）最大化。rank:map：使用 LambdaMART 进行文档列表方法排名（listwise），并使平均准确率（MAP）最大化。