Gradient Boosting有个公开的秘密：没人知道该塞多少棵树。数据科学家们一边调参一边祈祷，像厨师凭手感撒盐——尝一口，再撒一点，直到味觉失灵。

这个困境最近被摊开了。XGBoost和LightGBM的文档都写着"用early stopping"，但真到生产环境，团队还是得先猜一个数。有人从100试到1000，有人直接拉满5000看收敛，Kaggle上甚至流传着"宁多勿少"的玄学。

问题出在两个互相打架的指标。树太少，模型欠拟合，像没煮熟的米饭；树太多，过拟合找上门，训练集准确率100%，测试集直接翻车。更麻烦的是，这个"甜蜜点"随数据集变化——今天1000树刚好，换批数据可能200就炸了。

Scikit-learn的开发者给出了一个被很多人忽略的解法：「别找完美数字，找完美曲线」。用validation_curve画误差随树数量的变化，比GridSearch快十倍，还能一眼看出哪里开始过拟合。实际代码就三行，但Stack Overflow上相关提问攒了12万浏览。

有工程师在GitHub评论区吐槽，自己团队曾花两周调参，最后发现默认值的早停策略反而比分级搜索强。现在他直接把n_estimators设成10000，让early_stopping_rounds去操心——反正多出来的树不会跑，少设了却得重训。