这里没有“黄金法则”。您的数据集非常方便——既不太大也不太小。听起来是一个非常令人兴奋的项目！

以下是我在类似环境中经常进行的操作。

1. 按响应分层，或者，如果行不是独立的，而是由一些分组变量（例如家庭等）聚集在一起，则进行分组抽样。重要规则：避免跨裂口的任何泄漏。

2. 留出 10%-15% 的行用于测试。在分析完成之前不要触摸它们。就像你永远不会使用这个测试集一样。

3. 选择损失函数和相关的性能度量。

4. 无需调整即可拟合随机森林，并使用其 OOB 误差作为基准。

5. 通过网格搜索迭代的 5 折交叉验证选择 XGB 的参数，首先从非常宽的参数范围开始，然后使这些范围越来越小。通过提早停止自动优化提升轮数。

6. 选择模型并展示交叉验证性能。

7. 最后，显示测试性能。