数据比赛大杀器:Python树形模型集成库Xgboost&LightGBM

以下内容是个人学习笔记，图片及调参内容参考自寒小阳老师讲义。

sklearn库：中小型数据集；Xgboost/LightGBM库：工业界大型数据，可以分布式部署。
工业界非常喜欢树形模型原因：（1）可解释性好，和人的判断非常相似，可以顺着树的路径找出做决策的方式，出问题容易debug。（2）树形模型不需要做幅度缩放，树分裂时不受各个特征变化幅度的影响（衡量各个特征时，熵/Gini index的计算与各个特征的变化幅度取值无关）。（3）各种由树形模型集成的模型精准度也很高。

Random Forest学习时，每一棵树的生成：随机选择利用部分样本点，随机选择部分特征，并行生成很多棵树后，分类问题：投票，回归问题：平均（Bagging）。
Random Forest效果受限于每一棵决策树可以学习到的程度，可以控制过拟合，但有时拟合程度不一定精确。
GBDT是一个很容易overfitting的模型；为了控制过拟合，同时又能得到比较高的精确度，对GBDT进行改进，引入Bagging的机制，在GBDT串行生成过程引入随机采样。

LightGBM文档：https://lightgbm.readthedocs.io/en/latest/Installation-Guide.html
Xgboost文档：http://xgboost.readthedocs.io/en/latest/model.html
###Xgboost里3类参数：通用参数，集成参数，任务参数
####通用参数（general parameters）：最上层参数，用什么模型搭建
（1）booster[default=gbtree] 串行学习过程，基模型是什么
gbtree，gblinear

（2）silent[default=0] 信息是否输出

（3）nthread[default=max] 跑xgboost的最大线程数，默认最大线程数

（4）num_pbuffer[无需手动调]
（5）num_feature[无需手动调]

####集成参数/增强参数（booster parameters）：模型集成时，每一个基模型的参数，各基模型融合时的参数
（1）eta[default=0.3] 取值[0,1]，看成学习率，串行修正偏差学习基模型的作用幅度，即为防止过拟合，更新过程中用到的收缩步长；在每次提升计算之后，算法会直接获得新特征的权重，eta通过缩减特征的权重，使提升计算过程更保守
（2）gamma[default=0,alias:nin_split_loss] 取值[0,$\infty$]，为了防止过拟合，限制树的叶子结点进一步分裂时，损失函数应该减少的最小值，即如果某个叶子结点分裂前后，损失函数变化太小，就预剪枝不分裂该叶结点，这个值取值越大，算法越保守
（3）max_depth[default=6] 取值[1,$\infty$]，经验设定取值[4,8]的树的最大深度，这个值取值越大，算法越保守
（4）min_child_weight[default=1] 取值[0,$\infty$]，最小孩子的权重，为了防止过拟合，设定叶节点分裂时最少应该包含的样本数，这个值取值越大，算法越保守

（5）max_delta_step[default=0] 取值[0,$\infty$]，（如果该值为0，就是没有限制；如果设为一个正数，可以使每一步更新更加保守通常情况下这一参数是不需要设置的，但是在logistic回归的训练集中类极端不平衡的情况下，将这一参数的设置很有用，将该参数设为1-10可以控制每一步更新）

（6）subsample[default=1] 取值(0,1]，经验设定取值[0.6,0.9]，构造每棵树用到的“样本”比例
（7）colsample_bylevel[default=1] 取值(0,1]，经验设定取值[0.6,0.9]，树在每层每个分裂所用“特征”比例
（8）colsample_bytree[default=1] 取值(0,1]，经验设定取值[0.6,0.9]，构造每棵树所用的“特征”比例
（如，决策树生长时，不会用到全量的样本，按比例抽取一部分样本用于某棵树的生成，树每一层增长分裂选特征时，可以用全量数据样本去选最好的分裂特征，也可用采样的部分数据样本去选最好的分裂特征）

（9）lambda[default=1,alias:reg_lambda] L2正则化项权重（gblinear）
（10）alpha[default=0,alias:reg_alpha] L1正则化项权重（gblinear）

（11）tree_method[default=‘auto’] 取值’auto’,‘exact’,‘approx’，这个参数一般情况下不需要调。串行的树，在树分裂时，xgboost package里做了一些并行处理。'exact’是扫描全量特征进行选择分裂，'approx’是利用histogram的方式做近似构造特征，这种近似可以加速高维数据（数据特征维度上千）的建模，但是有可能会牺牲一定的精度

（12）scale_pos_weight[default=1] 负样本数/正样本数=>样本比例，将样本比例传入，调节正负样本类别不平衡建模问题。把逾期样本的设为1，利用scale_pos_weight参数，xgboost可以简单粗暴的放大标记为1的权重；scale_pos_weight里，pos即positive为正类，把逾期的标记成1即正类，对这个类放大

####任务参数（task parameters）：当前任务、场景相关，当前解决的是什么样的一个任务——回归问题、分类问题
（1）objective[default=reg:linear] 模型优化学习过程，需要最小化的损失函数
内置取值如下列表（高级用法——自己定义损失函数）：
“reg:linear” --线性回归
“reg:logistic” --逻辑回归
“binary:logistic” --二分类的逻辑回归，返回预测的概率(不是类别)
“binary:logitraw” --输出归一化前的得分，$\frac{1}{1+e^{-{\theta }^{T}z}}$里的$z$
“multi:softmax” --设定XGBoost做多分类，你需要同时设定num_class(类别数)的值
“multi:softprob” --输出维度为ndata * nclass的概率矩阵

（2）eval_metric[ 默认是根据 损失函数/目标函数 自动选定的 ] 评估最后学习到的模型对任务处理的好坏（如，分类问题中，学习到的模型对测试集、训练集样本的分类正确率）
“rmse”–均方误差
“mae”–绝对平均误差（不可导）
“logloss”–对数似然损失（分类问题二元交叉熵损失）
“error”–二分类的错误率
“error@t”: 通过提供t为阈值(而不是0.5)，计算错误率
“auc”–ROC曲线下方的面积（排序问题）
https://en.wikipedia.org/wiki/Receiver_operating_characteristic#Area_under_curve

（3）seed[default=0] 随机种子