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。
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。 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!
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。
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:3-104、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:0.5-18、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:0.5-19、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=1?2N??????√ ) mae 平均绝对误差( ∑Ni=1|?|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。
调整参数(含示例)
我已经对这些数据进行了一些处理:
City变量,因为类别太多,所以删掉了一些类别。 DOB变量换算成年龄,并删除了一些数据。 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。 EmployerName变量,因为类别太多,所以删掉了一些类别。 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。 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。 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。 Loan_Amount_Applied, Loan_Tenure_Applied 两个变量的缺项用中位数补足。 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。 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。 删除了LoggedIn, Salary_Account 两个变量 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。 Source前两位不变,其它分成不同的类别。 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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
<code>#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>
|
注意我import了两种XGBoost:
xgb - 直接引用xgboost。接下来会用到其中的“cv”函数。 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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
<code><code>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></code>
|
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
|
<code><code><code>#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></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
11
|
<code><code><code><code>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></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
11
|
<code><code><code><code><code>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></code></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
11
12
|
<code><code><code><code><code><code>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></code></code></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
|
<code><code><code><code><code><code><code>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></code></code></code></code></code></code>
|
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。
从这里可以看出,得分提高了。所以,最终得到的参数是:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
<code><code><code><code><code><code><code><code>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></code></code></code></code></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
11
|
<code><code><code><code><code><code><code><code><code>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></code></code></code></code></code></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
|
<code><code><code><code><code><code><code><code><code><code>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></code></code></code></code></code></code></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
|
<code><code><code><code><code><code><code><code><code><code><code>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></code></code></code></code></code></code></code></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
|
<code><code><code><code><code><code><code><code><code><code><code><code>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></code></code></code></code></code></code></code></code></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
<code><code><code><code><code><code><code><code><code><code><code><code><code>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></code></code></code></code></code></code></code></code></code></code></code></code>
|
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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
<code><code><code><code><code><code><code><code><code><code><code><code><code><code>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></code></code></code></code></code></code></code></code></code></code></code></code></code>
|
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。
结束语
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~
原文网址:http://www.2cto.com/kf/201607/528771.html