我正在尝试使用xgboost进行多类分类，并且我使用以下代码构建了模型，
clf = xgb.XGBClassifier(max_depth=7, n_estimators=1000)clf.fit(byte_train, y_train)train1 = clf.predict_proba(train_data)test1 = clf.predict_proba(test_data)这给我带来了一些不错的结果。我的情况下的对数损失低于0.7。但在查看了几页内容后，我发现对于多类问题，我们需要在XGBClassifier中使用另一个目标函数。这里是那些页面推荐的内容。
clf = xgb.XGBClassifier(max_depth=5, objective='multi:softprob', n_estimators=1000, num_classes=9)clf.fit(byte_train, y_train) train1 = clf.predict_proba(train_data)test1 = clf.predict_proba(test_data)这段代码也能工作，但与我的第一个代码相比，它完成的时间要长得多。
为什么我的第一个代码也能用于多类情况？我已经检查过，它的默认目标是用于二元分类的binary:logistic，但它在多类情况下表现得非常好？如果两者都正确，我应该使用哪一个？
回答：
默认情况下，XGBClassifier使用objective='binary:logistic'。当你使用这个目标时，它会采用以下策略之一：one-vs-rest（也称为one-vs-all）和one-vs-one。这可能不是你当前问题的最佳选择。
当你使用objective='multi:softprob'时，输出是一个数据点数乘以类别数的向量。因此，你的代码的时间复杂度会增加。
尝试在你的代码中设置objective=multi:softmax。它更适合多类分类任务。
