问题遇到的现象和发生背景

使用XGboost对2021年数学建模国赛E题的问一进行求解，这是一个多分类问题，数据规模是650*3500，650个样本，特征是3500个不同光波长下的吸收率，然后标签是11个产地，要求我们训练模型能够进行产地的分类。

问题相关代码

import xgboost as xgb
from xgboost import plot_importance
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

记载样本数据集

data = pd.read_excel(r"C:\Users\21138\Desktop\附件2.xlsx")
X =data.drop("OP",axis =1)
Y =data['OP']

数据集分割

X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size=0.33, random_state=42)

算法参数

params = {
'booster':'gbtree',
'objective':'multi:softmax',
'num_class':11,
'gamma':0.1,
'max_depth':4,
'lambda':2,
'subsample':0.7,
'colsample_bytree':0.7,
'min_child_weight':3,
'slient':1,
'eta':0.1,
'seed':1000,
'nthread':4,
}

生成数据集格式

dtrain = xgb.DMatrix(X_train,Y_train)
num_rounds = 500

xgboost模型训练

model = xgb.train(params,dtrain,num_rounds)

对测试集进行预测

dtest = xgb.DMatrix(X_test)
Y_pred = model.predict(dtest)

计算准确率

accuracy = accuracy_score(Y_test,Y_pred)
print('accuarcy:%.2f%%'%(accuracy*100))

显示重要特征

plot_importance(model)
plt.show()

运行结果及报错内容

结果不管怎么调试都只有50%左右的准确率
也试着提高lambda和降低max_depth来解决过拟合，但准确率都不高
想问问有可能达到高准群率吗，还是说算法不适合这个问题？

如果xgboost效果不太好，你还可以试试catboost，或者randomforest。但这些树模型其实都有一个前提，虽然它们不是距离算法不用归一化，但它们依然对数据是有很强的敏感性的，你怎么调都是50%，那说明这个数据集就是这样，解决方法需要清洗数据集，也就是常说的预处理，或者组合特征，如果是图像，那就图像增强或者TTA，不做预处理，很难有算法直接适应数据的

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 你看下这篇博客吧, 应该有用👉 ：XGBoost采用GridSearch调参

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^