既然您已经看到调参对 XGBoost 模型整体性能的影响，我们换个角度思考：在哪些情况下，调参可能不是最佳选择？鉴于模型调参可能既耗时又复杂，以下哪种情境不需要对模型进行细致的调参？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
本章将向您介绍 XGBoost 背后的核心思想——提升式学习器。理解 XGBoost 的工作机制后，您将把它应用到业界常见的分类任务：预测某位客户在未来某个时点是否会流失。
在简要回顾监督回归之后，您将把 XGBoost 应用于回归任务，预测爱荷华州 Ames 的房价。您还将了解 XGBoost 可用作弱学习器的两类基学习器，并回顾如何评估回归模型的质量。
本章将教您如何最大化提升 XGBoost 模型的表现。您将学习可以调节以改变 XGBoost 行为的各类参数，以及如何高效地调优它们，以显著增强模型性能。
当前练习
通过将模型整合进两个端到端的机器学习流水线，进一步提升您的 XGBoost 技能。您将学习如何在流水线中高效调优最重要的 XGBoost 超参数，并初步了解一些更高级的预处理技术。
