原文地址：https://stackoverflow.com/questions/34178287/difference-between-objective-and-feval-in-xgboost
xgboost中的Objective是算法将尝试和优化的函数。根据定义，它必须能够针对给定训练轮次的预测创建一阶（gradient）和二阶（hessian）导数。
自定义Objective函数示例：链接
# user define objective function, given prediction, return gradient and second order gradient # this is loglikelihood loss logregobj < - function（preds，dtrain）{ labels< - getinfo（dtrain，“label”） preds < - 1 /（1 + exp（-preds）） grad < - preds - labels hess < - preds *（1 - preds） return（list（grad = grad，hess = hess）） }Objective是训练的关键函数，任何xgboost模型都需要定义它才能训练。Objective函数直接用于每个树中的每个节点处的拆分过程。
xgboost中的feval在优化或训练模型方面没有任何的直接作用。你甚至不需要它就能训练。它不会影响分裂。它所做的只是在训练结束后对你的模型进行评分。下面是自定义feval的例子
evalerror < - function（preds，dtrain）{ labels< - getinfo（dtrain，“label”） err < - as.numeric（sum（labels！=（preds> 0）））/ length（labels） return（list（metric =“error”，value = err）） #译注：metric为名称，value为分数 }请注意，它只返回一个名称（metric）和一个分数（value）。通常情况下，feval和objective可能是相同的。但是有时候，你可能需要有点不同的评分机制，或者没有导数。例如，人们使用logloss作为Objective进行训练，但使用AUC 作为feval来评估模型。
另外，你可以使用feval在模型已经没有改进的时候停止训练。你还可以使用多个feval函数以不同的方式为你的模型打分并观察它们。
总的来说，你不需要feval函数来训练模型，而只是为了评估它，并帮助它尽早停止训练。
