只需根据您的时间标签将权重添加到您的 xgb.DMatrix。以下示例是用 R 编写的，但相同的原理适用于 Python 或 Julia 上的 xgboost。

data <- data.frame(feature = rep(5, 5),
                   year = seq(2011, 2015), 
                   target = c(1, 0, 1, 0, 0))
weightsData <- 1 + (data$year - max(data$year)) * 5 * 0.01

#Now create the xgboost matrix with your data and weights
xgbMatrix <- xgb.DMatrix(as.matrix(data$feature), 
                         label = data$target, 
                         weight = weightsData)

在 Python 上，你有一个很好的 scikit-learn 包装器，所以你可以这样写：

import xgboost as xgb
exgb_classifier = xgb.XGBClassifier()
exgb_classifier.fit(X, y, sample_weight=sample_weights_data)

您可以从这里获得更多信息：http: //xgboost.readthedocs.io/en/latest/python/python_api.html#xgboost.XGBClassifier.fit

您可以尝试构建多个 xgboost 模型，其中一些仅限于更新的数据，然后将这些结果加权在一起。另一个想法是制定一个定制的评估指标，对最近的点进行更严厉的惩罚，从而赋予它们更多的重要性。