机器学习算法总结之XGBoost（下） 实战与调参

写在前面

XGBoost原理已在前一篇有过说明：机器学习算法总结之XGBoost（上）

本文思路与之前一篇GBDT调参（ 基于scikit-learn的梯度提升树GBDT调参学习）思路相同，先遍历xgboost算法所有参数，明白其意思之后开始实战调参，数据集我还是打算选择Kaggle上的Titanic: Machine Learning from Disaster，保持工作一致性。

参考资料：XGBoost参数 官方文档

                 Complete Guide to Parameter Tuning in XGBoost (with codes in Python)

                 XGBoost参数调优完全指南（附Python代码） （上面的翻译版本）

1. XGBoost模型概述

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。 

2. XGBoost通用参数

（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）和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。

此外还有两个参数num_pbuffer和num_feature，由xgboost自动设置，用户不用管。

3.Booster参数

前面提及有两种booster可选，但是实践表明tree的模型效果更好，linear很少用到。

（1）eta（默认0.3）：

        和GBDT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GBDT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GBDT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n方个叶子。

        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_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。

        典型值：0.5-1

（9）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

（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，增大这个值会使得模型更为保守

（11）alpha（默认0）：

        权重的L1正则化项。(和Lasso regression类似)，增大这个值会使得模型更为保守

        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。

4.学习目标参数

（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
            mae 平均绝对误差
            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

5.XGBoost调参实例

给出官方code样例：XGBoost Demo Codes (xgboost GitHub repository)

接下来继续接着上次GBDT的数据集调参，希望能在前一次尝试上得分更高。