Task4 建模与调参

1，建模流程

• 1，线性回归模型：
• 线性回归对于特征的要求；
• 处理长尾分布；
• 理解线性回归模型；
• 2，模型性能验证：
  • 评价函数与目标函数；
  • 交叉验证方法；
  • 留一验证方法；
  • 针对时间序列问题的验证；
  • 绘制学习率曲线；
  • 绘制验证曲线；
• 3，嵌入式特征选择：
  • Lasso回归；
  • Ridge回归；
  • 决策树；
• 4，模型对比：
  • 常用线性模型；
  • 常用非线性模型；
• 模型调参：
  • 贪心调参方法；
  • 网格调参方法；
  • 贝叶斯调参方法；
    (代码这次不知道为啥贴不上了，那就先不贴，呜呜呜~~~)

2， 相关原理介绍与推荐

4.3.1 线性回归模型https://zhuanlan.zhihu.com/p/49480391
4.3.2 决策树模型https://zhuanlan.zhihu.com/p/65304798
4.3.3 GBDT模型https://zhuanlan.zhihu.com/p/45145899
4.3.4 XGBoost模型https://zhuanlan.zhihu.com/p/86816771
4.3.5 LightGBM模型https://zhuanlan.zhihu.com/p/89360721

XGBoots模型调参

Xgboost的3大类参数（加粗的是需要我们调试）

1，通用参数：宏观函数控制

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 （表现更好）

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。

2，Booster参数：控制每一步的booster(tree/regression)。

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GBDT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。

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]

·
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GBDT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。

10、lambda[默认1]

·
权重的L2正则化项。

·
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。

·
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

3，学习目标参数：控制训练目标的表现。

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mse，对于分类问题，默认值是error。

·
典型值有：

·
mse 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