我正在使用XGBoost算法进行回归，代码如下：

clf = XGBRegressor(eval_set = [(X_train, y_train), (X_val, y_val)],                       early_stopping_rounds = 10,                        n_estimators = 10,                                           verbose = 50)clf.fit(X_train, y_train, verbose=False)print("Best Iteration: {}".format(clf.booster().best_iteration))

模型正确地进行了训练，但是print函数引发了以下错误：

TypeError: 'str' object is not callable

如何获取模型的最佳迭代次数？

此外，如何打印每一轮的训练误差？

回答：

对于您的TypeError：请使用get_booster()替代booster()：

print("Best Iteration: {}".format(clf.get_booster().best_iteration))

当您进行预测时，如果要使用最佳迭代次数，您可以使用名为ntree_limit的参数来指定要使用的提升器数量。训练过程中生成的值是best_ntree_limit，可以在训练模型后通过以下方式调用：clg.get_booster().best_ntree_limit。更具体地说，当您进行预测时，使用以下代码：

best_iteration = clg.get_booster().best_ntree_limitpredict(data, ntree_limit=best_iteration)

如果您在.fit()命令中指定这些参数，您可以打印训练和评估过程：

clf.fit(X_train, y_train,        eval_set = [(X_train, y_train), (X_val, y_val)],        eval_metric = 'rmse',        early_stopping_rounds = 10, verbose=True)

注意： early_stopping_rounds参数应该在.fit()命令中，而不是在XGBRegressor()实例化中。

另一个注意点： XGBRegressor()中的verbose = 50是多余的。verbose变量应该在您的.fit()函数中，并且是True或False。关于verbose=True的作用，请在这里阅读verbose部分。这直接影响您的第三个问题。