用途：XGBoost 是面向表格数据的高效分布式梯度提升库，适合分类与回归任务，常用于数据竞赛与工业级生产场景。
主要能力：
- 提供 sklearn 兼容 API（如 XGBClassifier）以及原生 xgb.train 训练方式。
- 支持 GPU 加速树构建：tree_method="hist" 搭配 device="cuda"。
- 自动为缺失值分配分支方向，无需手动插补。
- 支持单调特征约束 monotone_constraints，可用业务规则限制预测方向。
- 支持早停（early_stopping_rounds 或 EarlyStopping 回调）防止过拟合。
必要用法：
- 使用 sklearn API：xgb.XGBClassifier(n_estimators=100, learning_rate=0.05, max_depth=6, tree_method="hist", device="cuda")，然后 model.fit(X_train, y_train)。
- 原生训练：dtrain = xgb.DMatrix(X_train, label=y_train)；bst = xgb.train(params, dtrain, num_boost_round=1000, evals=evals, callbacks=[xgb.callback.EarlyStopping(rounds=50, save_best=True)])。
- 模型保存：clf.save_model("xgboost_model.json")；加载：loaded_clf.load_model("xgboost_model.json")。
适用场景：表格数据竞赛、工业预测、GPU 大规模训练、含缺失值或高基数类别特征的数据（可用 enable_categorical=True）、需要单调约束的受监管业务（如信用评分）。
限制与注意事项：
- 不要使用已弃用的 gpu_hist，应改用 tree_method="hist" 加 device="cuda"。
- 推理时 DataFrame 列须与训练时顺序和名称一致。
- GPU 不可用时应设 device="cpu" 或检查 nvidia-smi。
- 过拟合时可降低 max_depth 并调整 reg_alpha、reg_lambda。
- 具体收费、价格与版本支持情况资料未提供。