XGBoost 重要参数、方法、函数理解及调参思路（附例子）

xgboost 包含原生接口和 sklearn 风格接口两种，并且二者都实现了分类和回归的功能。如果想了解一些理论性的内容，可以看看之前的文章： XGBoost算法的相关知识

一、xgboost 原生接口

重要参数

1，booster

用于指定弱学习器的类型，默认值为 ‘gbtree’，表示使用基于树的模型进行计算。还可以选择为 ‘gblinear’ 表示使用线性模型作为弱学习器。

推荐设置为 ‘gbtree’，本文后面的相关参数设置都以booster设置为’gbtree’为前提。

2，eta / learning_rate

如果你看了我之前发的XGBoost算法的相关知识，不难发现XGBoost为了防止过拟合，引入了"Shrinkage"的思想，即不完全信任每个弱学习器学到的残差值。为此需要给每个弱学习器拟合的残差值都乘上取值范围在(0, 1] 的 eta，设置较小的 eta 就可以多学习几个弱学习器来弥补不足的残差。

在XGBClassifier与XGBRegressor中，对应参数名为 learning_rate。

推荐的候选值为：[0.01, 0.015, 0.025, 0.05, 0.1]

3，gamma

指定叶节点进行分支所需的损失减少的最小值，默认值为0。设置的值越大，模型就越保守。

**推荐的候选值为：[0, 0.05 ~ 0.1, 0.3, 0.5, 0.7, 0.9, 1] **

4，alpha / reg_alpha

L1正则化权重项，增加此值将使模型更加保守。

在XGBClassifier与XGBRegressor中，对应参数名为 reg_alpha 。

推荐的候选值为：[0, 0.01~0.1, 1]

5，lambda / reg_lambda

L2正则化权重项，增加此值将使模型更加保守。

在XGBClassifier与XGBRegressor中，对应参数名为 reg_lambda。

推荐的候选值为：[0, 0.1, 0.5, 1]

6，max_depth

指定树的最大深度，默认值为6，合理的设置可以防止过拟合。

推荐的数值为：[3, 5, 6, 7, 9, 12, 15, 17, 25]。

7，min_child_weight

指定孩子节点中最小的样本权重和，如果一个叶子节点的样本权重和小于min_child_weight则拆分过程结束，默认值为1。

推荐的候选值为：[1, 3, 5, 7]

8，subsample

默认值1，指定采样出 subsample * n_samples 个样本用于训练弱学习器。注意这里的子采样和随机森林不一样，随机森林使用的是放回抽样，而这里是不放回抽样。 取值在(0, 1)之间，设置为1表示使用所有数据训练弱学习器。如果取值小于1，则只有一部分样本会去做GBDT的决策树拟合。选择小于1的比例可以减少方差，即防止过拟合，但是会增加样本拟合的偏差，因此取值不能太低。

推荐的候选值为：[0.6, 0.7, 0.8, 0.9, 1]

9，colsample_bytree

构建弱学习器时，对特征随机采样的比例，默认值为1。

推荐的候选值为：[0.6, 0.7, 0.8, 0.9, 1]

10，objective

用于指定学习任务及相应的学习目标，常用的可选参数值如下：

• “reg:linear”，线性回归（默认值）。
• “reg:logistic”，逻辑回归。
• “binary:logistic”，二分类的逻辑回归问题，输出为概率。
• “multi:softmax”，采用softmax函数处理多分类问题，同时需要设置参数num_class用于指定类别个数

11，num_class

用于设置多分类问题的类别个数。

12，eval_metric

用于指定评估指标，可以传递各种评估方法组成的list。常用的评估指标如下：

• ‘rmse’，用于回归任务

• ‘mlogloss’，用于多分类任务

• ‘error’，用于二分类任务

• ‘auc’，用于二分类任务

13，silent

数值型，表示是否输出运行过程的信息，默认值为0，表示打印信息。设置为1时，不输出任何信息。

推荐设置为 0 。

14，seed / random_state

指定随机数种子。

在XGBClassifier与XGBRegressor中，对应参数名为 random_state 。

训练参数

以xgboost.train为主，参数及默认值如下：

xgboost.train(params, dtrain, num_boost_round=10, evals=(),
				 obj=None, feval=None, maximize=False, 
				 early_stopping_rounds=None,  evals_result=None, 
				 verbose_eval=True, xgb_model=None, callbacks=None)

1，params

字典类型，用于指定各种参数，例如：{‘booster’:‘gbtree’,‘eta’:0.1}

2，dtrain

用于训练的数据，通过给下面的方法传递数据和标签来构造：

dtrain = xgb.DMatrix(data, label=label)

3，num_boost_round

指定最大迭代次数，默认值为10

4，evals

列表类型，用于指定训练过程中用于评估的数据及数据的名称。例如：[(dtrain,‘train’),(dval,‘val’)]

5，obj

可以指定二阶可导的自定义目标函数。

6，feval

自定义评估函数。

7，maximize

是否对评估函数最大化，默认值为False。

8，early_stopping_rounds

指定迭代多少次没有得到优化则停止训练，默认值为None，表示不提前停止训练。如果设置了此参数，则模型会生成三个属性：

• best_score

• best_iteration

• best_ntree_limit

注意：evals 必须非空才能生效，如果有多个数据集，则以最后一个数据集为准。

9，verbose_eval

可以是bool类型，也可以是整数类型。如果设置为整数，则每间隔verbose_eval次迭代就输出一次信息。

10，xgb_model

加载之前训练好的 xgb 模型，用于增量训练。

预测函数

主要是下面的两个函数：

1，predict(data)，返回每个样本的预测结果

2，predict_proba(data)，返回每个样本属于每个类别的概率

注意：data 是由 DMatrix 函数封装后的数据。

绘制特征重要性

代码如下：

from xgboost import plot_importance
# 显示重要特征，model 为训练好的xgb模型
plot_importance(model)
plt.show()

分类例子

from sklearn.datasets import load_iris
import xgboost as xgb
from xgboost import plot_importance
import matplotlib.pyplot  as plt
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = load_iris()
X,y = iris.data,iris.target
# 数据集分割
X_train,X_test,y_train,y_test = train_test_split(X,y,test_size=0.2,random_state=123457)

# 参数
params = {
   
    'booster': 'gbtree',
    'objective': &