安裝步驟參考的是：
“Installing XGBoost For Anaconda on Windows”：https://www.ibm.com/developerworks/community/blogs/jfp/entry/Installing_XGBoost_For_Anaconda_on_Windows?lang=zh
一、安裝前的准備
In order to install and use XGBoost with Python you need three software on your windows machine:
具體實現：
（1）選用Anaconda3的Python3.X版本，然后下載 Git並安裝好。
（2）在C:\Users\Administrator路徑下創建XGBoost文件夾，在此文件下右擊鼠標菜單選擇Git Bash
（3）Then download XGBoost by typing the following commands.
$ git clone --recursive https://github.com/dmlc/xgboost $ cd xgboost $ git submodule init $ git submodule update
（4）安裝 MinGW-W64 下載地址
（5）點擊Next后選擇 x86_64這項，其他選項不要改：
默認安裝地址：
C:\Program Files\mingw-w64\x86_64-7.2.0-posix-seh-rt_v5-rev1
（6）將Git和mingw32-make所在路徑分別添加到系統環境變量中：
E:\program Files\Git\cmd
C:\Program Files\mingw-w64\x86_64-7.2.0-posix-seh-rt_v5-rev1\mingw64\bin
（7）關掉Git Bash終端並重新打開，檢查環境變量是否添加成功：
$ which mingw32-make
（8）成功的話應該是輸出這樣的：
（9）為了簡便起見，更改下名稱：
$ alias make='mingw32-make'
二、接下來開始搭建XGBoost
（1）在xgboost路徑下運行Git Bash
（2）分別輸入以下命令：
每次命令輸入成功后再進行下一個命令。如果不成功，用Git命令里面多重復幾次。
$ cd dmlc-core
$ make -j4
$ cd ../rabit
$ make lib/librabit_empty.a -j4
$ cd ..
$ cp make/mingw64.mk config.mk
$ make -j4
...
...
直到最后命令完成后，Build成功，關閉Git Bash。
（3）接下來安裝Python模塊
我們用Anaconda Prompt終端執行分別如下命令：
1 cd XGBoost\xgboost\python-package 2 python setup.py install 注：我有兩台電腦，兩台安裝都是在Anaconda Prompt終端輸入，如果是用win+R系統自己的cmd輸入，我發現總是失敗
（更新：后來發現cmd可以了，而且在執行完前面兩個命令后，在cmd中輸入pip install xgboost就可以正常使用xgboost了，且直接import xgboost as xgb就行，省略了后面涉及的import os,mingw_path3,os.environ這3條命令）。
以下為具體：
三、 現在可以正常使用XGBoost了
（1）在jupyter notebook （在IPython中進行也可以）中依次輸入：
1 import os 2 mingw_path = 'C:\\Program Files\\mingw-w64\\x86_64-7.2.0-posix-seh-rt_v5-rev1\\mingw64\\bin'
3 os.environ['PATH'] = mingw_path + ';' + os.environ['PATH']
成功運行的例子：
1 import xgboost as xgb 2 import numpy as np 3
4 data = np.random.rand(5,10) # 5 entities, each contains 10 features
5 label = np.random.randint(2, size=5) # binary target
6 dtrain = xgb.DMatrix( data, label=label) 7
8 dtest = dtrain 9
10 param = {'bst:max_depth':2, 'bst:eta':1, 'silent':1, 'objective':'binary:logistic' } 11 param['nthread'] = 4
12 param['eval_metric'] = 'auc'
13
14 evallist = [(dtest,'eval'), (dtrain,'train')] 15
16 num_round = 10
17 bst = xgb.train( param, dtrain, num_round, evallist ) 18
19 bst.dump_model('dump.raw.txt')
輸出：
[0] eval-auc:0.5 train-auc:0.5 [1] eval-auc:0.5 train-auc:0.5 [2] eval-auc:0.5 train-auc:0.5 [3] eval-auc:0.5 train-auc:0.5 [4] eval-auc:0.5 train-auc:0.5 [5] eval-auc:0.5 train-auc:0.5 [6] eval-auc:0.5 train-auc:0.5 [7] eval-auc:0.5 train-auc:0.5 [8] eval-auc:0.5 train-auc:0.5 [9] eval-auc:0.5 train-auc:0.5
（2）用IPython同樣可以：
你看，都成功了！