• 为了保证你在浏览本网站时有着更好的体验,建议使用类似Chrome、Firefox之类的浏览器~~
    • 如果你喜欢本站的内容何不Ctrl+D收藏一下呢,与大家一起分享各种编程知识~
    • 本网站研究机器学习、计算机视觉、模式识别~当然不局限于此,生命在于折腾,何不年轻时多折腾一下

xgboost调参–转载

Qt admin 2年前 (2017-10-31) 1981次浏览 0个评论 扫描二维码

XGBoost 参数调优完全指南(附 Python 代码)

原文地址:Complete Guide to Parameter Tuning in XGBoost (with codes in Python)
译注:文内提供的代码和运行结果有一定差异,可以从这里下载完整代码对照参考。另外,我自己跟着教程做的时候,发现我的库无法解析字符串类型的特征,所以只用其中一部分特征做的,具体数值跟文章中不一样,反而可以帮助理解文章。所以大家其实也可以小小修改一下代码,不一定要完全跟着教程做~ ^0^
需要提前安装好的库:numpy,matplotlib,pandas,xgboost,scikit-learn

简介

如果你的预测模型表现得有些不尽如人意,那就用 XGBoost 吧。XGBoost 算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法,可以处理各种不规则的数据。
构造一个使用 XGBoost 的模型十分简单。但是,提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现,参数的调整十分必要。在解决实际问题的时候,有些问题是很难回答的——你需要调整哪些参数?这些参数要调到什么值,才能达到理想的输出?
这篇文章最适合刚刚接触 XGBoost 的人阅读。在这篇文章中,我们会学到参数调优的技巧,以及 XGboost 相关的一些有用的知识。以及,我们会用 Python 在一个数据集上实践一下这个算法。

你需要知道的

XGBoost(eXtreme Gradient Boosting)是 Gradient Boosting 算法的一个优化的版本。因为我在前一篇文章,基于 Python 的 Gradient Boosting 算法参数调整完全指南,里面已经涵盖了 Gradient Boosting 算法的很多细节了。我强烈建议大家在读本篇文章之前,把那篇文章好好读一遍。它会帮助你对 Boosting 算法有一个宏观的理解,同时也会对 GBM 的参数调整有更好的体会。

特别鸣谢:我个人十分感谢 Mr Sudalai Rajkumar (aka SRK)大神的支持,目前他在 AV Rank 中位列第二。如果没有他的帮助,就没有这篇文章。在他的帮助下,我们才能给无数的数据科学家指点迷津。给他一个大大的赞!

内容列表

1、XGBoost 的优势
2、理解 XGBoost 的参数
3、调整参数(含示例)

1、XGBoost 的优势

XGBoost 算法可以给预测模型带来能力的提升。当我对它的表现有更多了解的时候,当我对它的高准确率背后的原理有更多了解的时候,我发现它具有很多优势:

1、正则化

  • 标准 GBM 的实现没有像 XGBoost 这样的正则化步骤。正则化对减少过拟合也是有帮助的。
  • 实际上,XGBoost 以“正则化提升(regularized boosting)”技术而闻名。

2、并行处理

  • XGBoost 可以实现并行处理,相比 GBM 有了速度的飞跃。
  • 不过,众所周知,Boosting 算法是顺序处理的,它怎么可能并行呢?每一课树的构造都依赖于前一棵树,那具体是什么让我们能用多核处理器去构造一个树呢?我希望你理解了这句话的意思。如果你希望了解更多,点击这个链接
  • XGBoost 也支持 Hadoop 实现。

3、高度的灵活性

  • XGBoost 允许用户定义自定义优化目标和评价标准
  • 它对模型增加了一个全新的维度,所以我们的处理不会受到任何限制。

4、缺失值处理

  • XGBoost 内置处理缺失值的规则。
  • 用户需要提供一个和其它样本不同的值,然后把它作为一个参数传进去,以此来作为缺失值的取值。XGBoost 在不同节点遇到缺失值时采用不同的处理方法,并且会学习未来遇到缺失值时的处理方法。

5、剪枝

  • 当分裂时遇到一个负损失时,GBM 会停止分裂。因此 GBM 实际上是一个贪心算法
  • XGBoost 会一直分裂到指定的最大深度(max_depth),然后回过头来剪枝。如果某个节点之后不再有正值,它会去除这个分裂。
  • 这种做法的优点,当一个负损失(如-2)后面有个正损失(如+10)的时候,就显现出来了。GBM 会在-2 处停下来,因为它遇到了一个负值。但是 XGBoost 会继续分裂,然后发现这两个分裂综合起来会得到+8,因此会保留这两个分裂。

6、内置交叉验证

  • XGBoost 允许在每一轮 boosting 迭代中使用交叉验证。因此,可以方便地获得最优 boosting 迭代次数。
  • 而 GBM 使用网格搜索,只能检测有限个值。

7、在已有的模型基础上继续

  • XGBoost 可以在上一轮的结果上继续训练。这个特性在某些特定的应用上是一个巨大的优势。
  • sklearn 中的 GBM 的实现也有这个功能,两种算法在这一点上是一致的。

相信你已经对 XGBoost 强大的功能有了点概念。注意这是我自己总结出来的几点,你如果有更多的想法,尽管在下面评论指出,我会更新这个列表的!
你的胃口被我吊起来了吗?棒棒哒!如果你想更深入了解相关信息,可以参考下面这些文章:
XGBoost Guide – Introduce to Boosted Trees
Words from the Auther of XGBoost [Viedo]

2、XGBoost 的参数

XGBoost 的作者把所有的参数分成了三类:
1、通用参数:宏观函数控制。
2、Booster 参数:控制每一步的 booster(tree/regression)。
3、学习目标参数:控制训练目标的表现。
在这里我会类比 GBM 来讲解,所以作为一种基础知识,强烈推荐先阅读这篇文章

通用参数

这些参数用来控制 XGBoost 的宏观功能。

1、booster[默认 gbtree]

  • 选择每次迭代的模型,有两种选择:
    gbtree:基于树的模型
    gbliner:线性模型

2、silent[默认 0]

  • 当这个参数值为 1 时,静默模式开启,不会输出任何信息。
  • 一般这个参数就保持默认的 0,因为这样能帮我们更好地理解模型。

3、nthread[默认值为最大可能的线程数]

  • 这个参数用来进行多线程控制,应当输入系统的核数。
  • 如果你希望使用 CPU 全部的核,那就不要输入这个参数,算法会自动检测它。
    还有两个参数,XGBoost 会自动设置,目前你不用管它。接下来咱们一起看 booster 参数。

booster 参数

尽管有两种 booster 可供选择,我这里只介绍tree booster,因为它的表现远远胜过linear booster,所以 linear booster 很少用到。

1、eta[默认 0.3]

  • 和 GBM 中的 learning rate 参数类似。
  • 通过减少每一步的权重,可以提高模型的鲁棒性。
  • 典型值为 0.01-0.2。

2、min_child_weight[默认 1]

  • 决定最小叶子节点样本权重和。
  • 和 GBM 的 min_child_leaf 参数类似,但不完全一样。XGBoost 的这个参数是最小样本权重的和,而 GBM 参数是最小样本总数
  • 这个参数用于避免过拟合。当它的值较大时,可以避免模型学习到局部的特殊样本。
  • 但是如果这个值过高,会导致欠拟合。这个参数需要使用 CV 来调整。

3、max_depth[默认 6]

  • 和 GBM 中的参数相同,这个值为树的最大深度。
  • 这个值也是用来避免过拟合的。max_depth 越大,模型会学到更具体更局部的样本。
  • 需要使用 CV 函数来进行调优。
  • 典型值:3-10

4、max_leaf_nodes

  • 树上最大的节点或叶子的数量。
  • 可以替代 max_depth 的作用。因为如果生成的是二叉树,一个深度为 n 的树最多生成n2个叶子。
  • 如果定义了这个参数,GBM 会忽略 max_depth 参数。

5、gamma[默认 0]

  • 在节点分裂时,只有分裂后损失函数的值下降了,才会分裂这个节点。Gamma 指定了节点分裂所需的最小损失函数下降值。
  • 这个参数的值越大,算法越保守。这个参数的值和损失函数息息相关,所以是需要调整的。

6、max_delta_step[默认 0]

  • 这参数限制每棵树权重改变的最大步长。如果这个参数的值为 0,那就意味着没有约束。如果它被赋予了某个正值,那么它会让这个算法更加保守。
  • 通常,这个参数不需要设置。但是当各类别的样本十分不平衡时,它对逻辑回归是很有帮助的。
  • 这个参数一般用不到,但是你可以挖掘出来它更多的用处。

7、subsample[默认 1]

  • 和 GBM 中的 subsample 参数一模一样。这个参数控制对于每棵树,随机采样的比例。
  • 减小这个参数的值,算法会更加保守,避免过拟合。但是,如果这个值设置得过小,它可能会导致欠拟合。
  • 典型值:0.5-1

8、colsample_bytree[默认 1]

  • 和 GBM 里面的 max_features 参数类似。用来控制每棵随机采样的列数的占比(每一列是一个特征)。
  • 典型值:0.5-1

9、colsample_bylevel[默认 1]

  • 用来控制树的每一级的每一次分裂,对列数的采样的占比。
  • 我个人一般不太用这个参数,因为 subsample 参数和 colsample_bytree 参数可以起到相同的作用。但是如果感兴趣,可以挖掘这个参数更多的用处。

10、lambda[默认 1]

  • 权重的 L2 正则化项。(和 Ridge regression 类似)。
  • 这个参数是用来控制 XGBoost 的正则化部分的。虽然大部分数据科学家很少用到这个参数,但是这个参数在减少过拟合上还是可以挖掘出更多用处的。

11、alpha[默认 1]

  • 权重的 L1 正则化项。(和 Lasso regression 类似)。
  • 可以应用在很高维度的情况下,使得算法的速度更快。

12、scale_pos_weight[默认 1]

  • 在各类别样本十分不平衡时,把这个参数设定为一个正值,可以使算法更快收敛。

学习目标参数

这个参数用来控制理想的优化目标和每一步结果的度量方法。

1、objective[默认 reg:linear]

  • 这个参数定义需要被最小化的损失函数。最常用的值有:
    • binary:logistic 二分类的逻辑回归,返回预测的概率(不是类别)。
    • multi:softmax 使用 softmax 的多分类器,返回预测的类别(不是概率)。
      • 在这种情况下,你还需要多设一个参数:num_class(类别数目)。
    • multi:softprob 和 multi:softmax 参数一样,但是返回的是每个数据属于各个类别的概率。

2、eval_metric[默认值取决于 objective 参数的取值]

  • 对于有效数据的度量方法。
  • 对于回归问题,默认值是 rmse,对于分类问题,默认值是 error。
  • 典型值有:
    • rmse 均方根误差(Ni=1ϵ2N‾‾‾‾‾‾‾√)
    • mae 平均绝对误差(Ni=1|ϵ|N)
    • logloss 负对数似然函数值
    • error 二分类错误率(阈值为 0.5)
    • merror 多分类错误率
    • mlogloss 多分类 logloss 损失函数
    • auc 曲线下面积

3、seed(默认 0)

  • 随机数的种子
  • 设置它可以复现随机数据的结果,也可以用于调整参数

如果你之前用的是 Scikit-learn,你可能不太熟悉这些参数。但是有个好消息,python 的 XGBoost 模块有一个 sklearn 包,XGBClassifier。这个包中的参数是按 sklearn 风格命名的。会改变的函数名是:
1、eta ->learning_rate
2、lambda->reg_lambda
3、alpha->reg_alpha
你肯定在疑惑为啥咱们没有介绍和 GBM 中的’n_estimators’类似的参数。XGBClassifier 中确实有一个类似的参数,但是,是在标准 XGBoost 实现中调用拟合函数时,把它作为’num_boosting_rounds’参数传入。
XGBoost Guide 的一些部分是我强烈推荐大家阅读的,通过它可以对代码和参数有一个更好的了解:

XGBoost Parameters (official guide)
XGBoost Demo Codes (xgboost GitHub repository)
Python API Reference (official guide)

调整参数(含示例)

我们从 Data Hackathon 3.x AV 版的 hackathon 中获得数据集,和GBM 介绍文章中是一样的。更多的细节可以参考competition page
数据集可以从这里下载。我已经对这些数据进行了一些处理:

  1. City 变量,因为类别太多,所以删掉了一些类别。
  2. DOB 变量换算成年龄,并删除了一些数据。
  3. 增加了 EMI_Loan_Submitted_Missing 变量。如果 EMI_Loan_Submitted 变量的数据缺失,则这个参数的值为 1。否则为 0。删除了原先的 EMI_Loan_Submitted 变量。
  4. EmployerName 变量,因为类别太多,所以删掉了一些类别。
  5. 因为 Existing_EMI 变量只有 111 个值缺失,所以缺失值补充为中位数 0。
  6. 增加了 Interest_Rate_Missing 变量。如果 Interest_Rate 变量的数据缺失,则这个参数的值为 1。否则为 0。删除了原先的 Interest_Rate 变量。
  7. 删除了 Lead_Creation_Date,从直觉上这个特征就对最终结果没什么帮助。
  8. Loan_Amount_Applied, Loan_Tenure_Applied 两个变量的缺项用中位数补足。
  9. 增加了 Loan_Amount_Submitted_Missing 变量。如果 Loan_Amount_Submitted 变量的数据缺失,则这个参数的值为 1。否则为 0。删除了原先的 Loan_Amount_Submitted 变量。
  10. 增加了 Loan_Tenure_Submitted_Missing 变量。如果 Loan_Tenure_Submitted 变量的数据缺失,则这个参数的值为 1。否则为 0。删除了原先的 Loan_Tenure_Submitted 变量。
  11. 删除了 LoggedIn, Salary_Account 两个变量
  12. 增加了 Processing_Fee_Missing 变量。如果 Processing_Fee 变量的数据缺失,则这个参数的值为 1。否则为 0。删除了原先的 Processing_Fee 变量。
  13. Source 前两位不变,其它分成不同的类别。
  14. 进行了量化和独热编码(一位有效编码)。

如果你有原始数据,可以从资源库里面下载 data_preparation 的 Ipython notebook 文件,然后自己过一遍这些步骤。

首先,import 必要的库,然后加载数据。

<code class="has-numbering">#Import libraries:
import pandas as pd
import numpy as np
import xgboost as xgb
from xgboost.sklearn import XGBClassifier
from sklearn import cross_validation, metrics   #Additional     scklearn functions
from sklearn.grid_search import GridSearchCV   #Perforing grid search

import matplotlib.pylab as plt
%matplotlib inline
from matplotlib.pylab import rcParams
rcParams['figure.figsize'] = 12, 4

train = pd.read_csv('train_modified.csv')
target = 'Disbursed'
IDcol = 'ID'
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17

注意我 import 了两种 XGBoost:

  1. xgb – 直接引用 xgboost。接下来会用到其中的“cv”函数。
  2. XGBClassifier – 是 xgboost 的 sklearn 包。这个包允许我们像 GBM 一样使用 Grid Search 和并行处理。

在向下进行之前,我们先定义一个函数,它可以帮助我们建立 XGBoost models 并进行交叉验证。好消息是你可以直接用下面的函数,以后再自己的 models 中也可以使用它。

<code class="has-numbering">def modelfit(alg, dtrain, predictors,useTrainCV=True, cv_folds=5, early_stopping_rounds=50):
if useTrainCV:
    xgb_param = alg.get_xgb_params()
    xgtrain = xgb.DMatrix(dtrain[predictors].values, label=dtrain[target].values)
    cvresult = xgb.cv(xgb_param, xgtrain, num_boost_round=alg.get_params()['n_estimators'], nfold=cv_folds,
        metrics='auc', early_stopping_rounds=early_stopping_rounds, show_progress=False)
    alg.set_params(n_estimators=cvresult.shape[0])

#Fit the algorithm on the data
alg.fit(dtrain[predictors], dtrain['Disbursed'],eval_metric='auc')

#Predict training set:
dtrain_predictions = alg.predict(dtrain[predictors])
dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,1]

#Print model report:
print "\nModel Report"
print "Accuracy : %.4g" % metrics.accuracy_score(dtrain['Disbursed'].values, dtrain_predictions)
print "AUC Score (Train): %f" % metrics.roc_auc_score(dtrain['Disbursed'], dtrain_predprob)

feat_imp = pd.Series(alg.booster().get_fscore()).sort_values(ascending=False)
feat_imp.plot(kind='bar', title='Feature Importances')
plt.ylabel('Feature Importance Score')
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24

这个函数和 GBM 中使用的有些许不同。不过本文章的重点是讲解重要的概念,而不是写代码。如果哪里有不理解的地方,请在下面评论,不要有压力。注意 xgboost 的 sklearn 包没有“feature_importance”这个量度,但是 get_fscore()函数有相同的功能。

参数调优的一般方法。

我们会使用和 GBM 中相似的方法。需要进行如下步骤:
1. 选择较高的学习速率(learning rate)。一般情况下,学习速率的值为 0.1。但是,对于不同的问题,理想的学习速率有时候会在 0.05 到 0.3 之间波动。选择对应于此学习速率的理想决策树数量。XGBoost 有一个很有用的函数“cv”,这个函数可以在每一次迭代中使用交叉验证,并返回理想的决策树数量。
2. 对于给定的学习速率和决策树数量,进行决策树特定参数调优(max_depth, min_child_weight, gamma, subsample, colsample_bytree)。在确定一棵树的过程中,我们可以选择不同的参数,待会儿我会举例说明。
3. xgboost 的正则化参数的调优。(lambda, alpha)。这些参数可以降低模型的复杂度,从而提高模型的表现。
4. 降低学习速率,确定理想参数。

咱们一起详细地一步步进行这些操作。

第一步:确定学习速率和 tree_based 参数调优的估计器数目。

为了确定 boosting 参数,我们要先给其它参数一个初始值。咱们先按如下方法取值:
1、max_depth = 5 :这个参数的取值最好在 3-10 之间。我选的起始值为 5,但是你也可以选择其它的值。起始值在 4-6 之间都是不错的选择。
2、min_child_weight = 1:在这里选了一个比较小的值,因为这是一个极不平衡的分类问题。因此,某些叶子节点下的值会比较小。
3、gamma = 0: 起始值也可以选其它比较小的值,在 0.1 到 0.2 之间就可以。这个参数后继也是要调整的。
4、subsample,colsample_bytree = 0.8: 这个是最常见的初始值了。典型值的范围在 0.5-0.9 之间。
5、scale_pos_weight = 1: 这个值是因为类别十分不平衡。
注意哦,上面这些参数的值只是一个初始的估计值,后继需要调优。这里把学习速率就设成默认的 0.1。然后用 xgboost 中的 cv 函数来确定最佳的决策树数量。前文中的函数可以完成这个工作。

<code class="has-numbering">#Choose all predictors except target & IDcols
predictors = [x for x in train.columns if x not in [target,IDcol]]
xgb1 = XGBClassifier(
 learning_rate =0.1,
 n_estimators=1000,
 max_depth=5,
 min_child_weight=1,
 gamma=0,
 subsample=0.8,
 colsample_bytree=0.8,
 objective= 'binary:logistic',
 nthread=4,
 scale_pos_weight=1,
 seed=27)
modelfit(xgb1, train, predictors)
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16

从输出结果可以看出,在学习速率为 0.1 时,理想的决策树数目是 140。这个数字对你而言可能比较高,当然这也取决于你的系统的性能。

注意:在 AUC(test)这里你可以看到测试集的 AUC 值。但是如果你在自己的系统上运行这些命令,并不会出现这个值。因为数据并不公开。这里提供的值仅供参考。生成这个值的代码部分已经被删掉了。

第二步: max_depth 和 min_weight 参数调优

我们先对这两个参数调优,是因为它们对最终结果有很大的影响。首先,我们先大范围地粗调参数,然后再小范围地微调。
注意:在这一节我会进行高负荷的栅格搜索(grid search),这个过程大约需要 15-30 分钟甚至更久,具体取决于你系统的性能。你也可以根据自己系统的性能选择不同的值。

<code class="has-numbering">param_test1 = {
 'max_depth':range(3,10,2),
 'min_child_weight':range(1,6,2)
}
gsearch1 = GridSearchCV(estimator = XGBClassifier(         learning_rate =0.1, n_estimators=140, max_depth=5,
min_child_weight=1, gamma=0, subsample=0.8,             colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4,     scale_pos_weight=1, seed=27), 
 param_grid = param_test1,     scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch1.fit(train[predictors],train[target])
gsearch1.grid_scores_, gsearch1.best_params_,     gsearch1.best_score_
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

输出结果

至此,我们对于数值进行了较大跨度的 12 中不同的排列组合,可以看出理想的 max_depth 值为 5,理想的 min_child_weight 值为 5。在这个值附近我们可以再进一步调整,来找出理想值。我们把上下范围各拓展 1,因为之前我们进行组合的时候,参数调整的步长是 2。

<code class="has-numbering">param_test2 = {
 'max_depth':[4,5,6],
 'min_child_weight':[4,5,6]
}
gsearch2 = GridSearchCV(estimator = XGBClassifier(     learning_rate=0.1, n_estimators=140, max_depth=5,
 min_child_weight=2, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test2, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch2.fit(train[predictors],train[target])
gsearch2.grid_scores_, gsearch2.best_params_,     gsearch2.best_score_
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

输出结果

至此,我们得到 max_depth 的理想取值为 4,min_child_weight 的理想取值为 6。同时,我们还能看到 cv 的得分有了小小一点提高。需要注意的一点是,随着模型表现的提升,进一步提升的难度是指数级上升的,尤其是你的表现已经接近完美的时候。当然啦,你会发现,虽然 min_child_weight 的理想取值是 6,但是我们还没尝试过大于 6 的取值。像下面这样,就可以尝试其它值。

<code class="has-numbering">param_test2b = {
 'min_child_weight':[6,8,10,12]
 }
gsearch2b = GridSearchCV(estimator = XGBClassifier(     learning_rate=0.1, n_estimators=140, max_depth=4,
 min_child_weight=2, gamma=0, subsample=0.8,     colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test2b,     scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch2b.fit(train[predictors],train[target])

modelfit(gsearch3.best_estimator_, train, predictors)
gsearch2b.grid_scores_, gsearch2b.best_params_,     gsearch2b.best_score_
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

输出结果

我们可以看出,6 确确实实是理想的取值了。

第三步:gamma 参数调优

在已经调整好其它参数的基础上,我们可以进行 gamma 参数的调优了。Gamma 参数取值范围可以很大,我这里把取值范围设置为 5 了。你其实也可以取更精确的 gamma 值。

<code class="has-numbering">param_test3 = {
 'gamma':[i/10.0 for i in range(0,5)]
}
gsearch3 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=140, max_depth=4,
 min_child_weight=6, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test3, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch3.fit(train[predictors],train[target])
gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

从这里可以看出来,我们在第一步调参时设置的初始 gamma 值就是比较合适的。也就是说,理想的 gamma 值为 0。在这个过程开始之前,最好重新调整 boosting 回合,因为参数都有变化。
gamma
从这里可以看出,得分提高了。所以,最终得到的参数是:

<code class="has-numbering">xgb2 = XGBClassifier(
 learning_rate =0.1,
 n_estimators=1000,
 max_depth=4,
 min_child_weight=6,
 gamma=0,
 subsample=0.8,
 colsample_bytree=0.8,
 objective= 'binary:logistic',
 nthread=4,
scale_pos_weight=1,
seed=27)
modelfit(xgb2, train, predictors)
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

最终参数

第四步:调整 subsample 和 colsample_bytree 参数

下一步是尝试不同的 subsample 和 colsample_bytree 参数。我们分两个阶段来进行这个步骤。这两个步骤都取 0.6,0.7,0.8,0.9 作为起始值。

<code class="has-numbering">param_test4 = {
 'subsample':[i/10.0 for i in range(6,10)],
 'colsample_bytree':[i/10.0 for i in range(6,10)]
}
gsearch4 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=3,
 min_child_weight=4, gamma=0.1, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test4, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch4.fit(train[predictors],train[target])
gsearch4.grid_scores_, gsearch4.best_params_, gsearch4.best_score_
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11

gsearch4

从这里可以看出来,subsample 和 colsample_bytree 参数的理想取值都是 0.8。现在,我们以 0.05 为步长,在这个值附近尝试取值。

<code class="has-numbering">param_test5 = {
 'subsample':[i/100.0 for i in range(75,90,5)],
 'colsample_bytree':[i/100.0 for i in range(75,90,5)]
}
gsearch5 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=4,
 min_child_weight=6, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test5, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch5.fit(train[predictors],train[target])
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

output

我们得到的理想取值还是原来的值。因此,最终的理想取值是:

  • subsample: 0.8
  • colsample_bytree: 0.8

第五步:正则化参数调优。

下一步是应用正则化来降低过拟合。由于 gamma 函数提供了一种更加有效地降低过拟合的方法,大部分人很少会用到这个参数。但是我们在这里也可以尝试用一下这个参数。我会在这里调整’reg_alpha’参数,然后’reg_lambda’参数留给你来完成。

<code class="has-numbering">param_test6 = {
 'reg_alpha':[1e-5, 1e-2, 0.1, 1, 100]
}
gsearch6 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=4,
 min_child_weight=6, gamma=0.1, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test6, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch6.fit(train[predictors],train[target])
gsearch6.grid_scores_, gsearch6.best_params_, gsearch6.best_score_
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

output

我们可以看到,相比之前的结果,CV 的得分甚至还降低了。但是我们之前使用的取值是十分粗糙的,我们在这里选取一个比较靠近理想值(0.01)的取值,来看看是否有更好的表现。

<code class="has-numbering">param_test7 = {
 'reg_alpha':[0, 0.001, 0.005, 0.01, 0.05]
}
gsearch7 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=4,
 min_child_weight=6, gamma=0.1, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test7, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch7.fit(train[predictors],train[target])
gsearch7.grid_scores_, gsearch7.best_params_, gsearch7.best_score_
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10

output7

可以看到,CV 的得分提高了。现在,我们在模型中来使用正则化参数,来看看这个参数的影响。

<code class="has-numbering">xgb3 = XGBClassifier(
 learning_rate =0.1,
 n_estimators=1000,
 max_depth=4,
 min_child_weight=6,
 gamma=0,
 subsample=0.8,
 colsample_bytree=0.8,
 reg_alpha=0.005,
 objective= 'binary:logistic',
 nthread=4,
 scale_pos_weight=1,
 seed=27)
modelfit(xgb3, train, predictors)
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

out_put3

然后我们发现性能有了小幅度提高。

第 6 步:降低学习速率

最后,我们使用较低的学习速率,以及使用更多的决策树。我们可以用 XGBoost 中的 CV 函数来进行这一步工作。

<code class="has-numbering">xgb4 = XGBClassifier(
 learning_rate =0.01,
 n_estimators=5000,
 max_depth=4,
 min_child_weight=6,
 gamma=0,
 subsample=0.8,
 colsample_bytree=0.8,
 reg_alpha=0.005,
 objective= 'binary:logistic',
 nthread=4,
 scale_pos_weight=1,
 seed=27)
modelfit(xgb4, train, predictors)
</code>
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15

此处输入图片的描述
此处输入图片的描述

至此,你可以看到模型的表现有了大幅提升,调整每个参数带来的影响也更加清楚了。
在文章的末尾,我想分享两个重要的思想:
1、仅仅靠参数的调整和模型的小幅优化,想要让模型的表现有个大幅度提升是不可能的。GBM 的最高得分是 0.8487,XGBoost 的最高得分是 0.8494。确实是有一定的提升,但是没有达到质的飞跃。
2、要想让模型的表现有一个质的飞跃,需要依靠其他的手段,诸如,特征工程(feature egineering) ,模型组合(ensemble of model),以及堆叠(stacking)等。

你可以从 这里 下载 iPython notebook 文件,里面包含了文章中提到的所有代码。如果你使用 R 语言,请阅读这篇文章

结束

这篇文章主要讲了如何提升 XGBoost 模型的表现。首先,我们介绍了相比于 GBM,为何 XGBoost 可以取得这么好的表现。紧接着,我们介绍了每个参数的细节。我们定义了一个可以重复使用的构造模型的函数。
最后,我们讨论了使用 XGBoost 解决问题的一般方法,在 AV Data Hackathon 3.x problem 数据上实践了这些方法。
希望看过这篇文章之后,你能有所收获,下次使用 XGBoost 解决问题的时候可以更有信心哦~

 

转载自

http://blog.csdn.net/u010657489/article/details/51952785


Deeplearn, 版权所有丨如未注明 , 均为原创丨本网站采用BY-NC-SA协议进行授权 , 转载请注明xgboost 调参–转载
喜欢 (1)
admin
关于作者:
互联网行业码农一枚/业余铲屎官/数码影音爱好者/二次元

您必须 登录 才能发表评论!