机器学习XGBoost 算法概述

XGBoost 是一种最近在应用机器学习和 Kaggle 结构化或表格数据竞赛中占据主导地位的算法。

XGBoost 是为速度和性能而设计的梯度提升决策树的实现。

在这篇文章中，您将了解 XGBoost 并简要介绍它是什么、它来自哪里以及如何了解更多信息。

看完这篇文章你会知道：

• XGBoost 是什么以及项目的目标。

• 为什么 XGBoost 必须成为您的机器学习工具包的一部分。

• 您可以在这里了解更多信息，以便在您的下一个机器学习项目中开始使用 XGBoost。

---

什么是 XGBoost？

——陈天启在 Quora，回答“ R gbm（梯度提升机）和xgboost（极限梯度提升）有什么区别？” 时解释道：“

XGBoost全称是eXtreme Gradient Boosting

不过，xgboost 这个名字实际上是指推动提升树算法计算资源极限的工程目标。这就是许多人使用 xgboost 的原因。”

XGBoost是由陈天奇创建的梯度提升机的实现，现在有许多开发人员的贡献。它属于分布式机器学习社区或DMLC保护下的更广泛的工具集合，他们也是流行的mxnet 深度学习库的创建者。

陈天启在 XGBoost进化背后的故事和教训一文中，提供了一个简短而有趣的关于 XGBoost 创建的背景故事。

XGBoost 是一个软件库，您可以下载并安装在您的机器上，然后从各种界面访问。具体来说，XGBoost 支持以下主要接口：

• 命令行界面 (CLI)。

• C++（编写库的语言）。

• Python 接口以及 scikit-learn 中的模型。

• R 接口以及 caret 包中的模型。

• Julia。

• Java 和 JVM 语言（如 Scala）和平台（如 Hadoop）。

---

XGBoost 功能

该库专注于计算速度和模型性能，因此几乎没有多余的装饰。尽管如此，它确实提供了许多高级功能。

模型特点

该模型的实现支持 scikit-learn 和 R 实现的功能，并添加了正则化等新功能。支持三种主要形式的梯度提升：

• 梯度提升算法也称为梯度提升机，包括学习率。

• 随机梯度提升，在每个分割级别的行、列和列进行子采样。

• 具有 L1 和 L2 正则化的正则化梯度提升。

系统特点

该库提供了一个用于各种计算环境的系统，尤其是：

• 在训练期间使用所有 CPU 内核并行化树构建。

• 使用一组机器训练非常大的模型的分布式计算。

• 不适合内存的超大数据集的核外计算。

• 缓存优化数据结构和算法以充分利用硬件。

算法特点

该算法的实现旨在提高计算时间和内存资源的效率。设计目标是充分利用可用资源来训练模型。一些关键的算法实现特性包括：

• 具有自动处理缺失数据值的稀疏感知实现。

• 支持树构建并行化的块结构。

• 继续训练，以便您可以在新数据上进一步提升已经拟合的模型。

XGBoost 是免费的开源软件，可在 Apache-2 许可下使用。

为什么要使用 XGBoost？

使用 XGBoost 的两个理由也是项目的两个目标：

1. 执行速度。

2. 模型性能。

1. XGBoost 执行速度

通常，XGBoost 速度很快。与梯度提升的其他实现相比，速度非常快。

Szilard Pafka执行了一些客观的基准测试，将 XGBoost 的性能与梯度提升和袋装决策树的其他实现进行了比较。他于 2015 年 5 月在题为“基准随机森林实现”的博客文章中写下了他的结果。

他还提供了 GitHub 上的所有代码以及更广泛的带有硬数字的结果报告。

他的结果表明，XGBoost 几乎总是比来自 R、Python Spark 和 H2O 的其他基准实现更快。

从他的实验中，他评论道：

我还尝试了 xgboost，这是一个流行的 boosting 库，它也能够构建随机森林。它速度快，内存效率高，准确度高

— Szilard Pafka，对随机森林实现进行基准测试。

2. XGBoost 模型性能

XGBoost 在分类和回归预测建模问题上主导结构化或表格数据集。

证据是它是 Kaggle 竞赛数据科学平台上竞赛获胜者的首选算法。

例如，有一个不完整的一、二、三等奖获奖名单，标题为： XGBoost: Machine Learning Challenge Winning Solutions。

为了使这一点更加具体，以下是 Kaggle 竞赛获胜者的一些有见地的引述：

作为越来越多的 Kaggle 比赛的获胜者，XGBoost 再次向我们展示了它是一种出色的全能算法。

——拿督优胜者访谈：第一名，疯狂教授

如有疑问，请使用 xgboost。

— Avito 优胜者访谈：第一名，Owen Zhang

我喜欢表现良好的单个模型，我最好的单个模型是 XGBoost，它可以单独获得第 10 名。

—卡特彼勒获奖者访谈：第一名

我只用过 XGBoost。

— Liberty Mutual Property Inspection，优胜者访谈：第一名，王清臣

我使用的唯一监督学习方法是梯度提升，在优秀的 xgboost 中实现。

— Recruit Coupon Purchase 优胜者访谈：第二名，Halla Yang

XGBoost 使用什么算法？

XGBoost 库实现了梯度提升决策树算法。

该算法有很多不同的名称，例如梯度提升、多重加性回归树、随机梯度提升或梯度提升机。

Boosting 是一种集成技术，其中添加新模型以纠正现有模型所造成的错误。模型按顺序添加，直到无法进行进一步改进。一个流行的例子是AdaBoost 算法，它对难以预测的数据点进行加权。

梯度提升是一种创建新模型的方法，用于预测先前模型的残差或误差，然后将它们相加以进行最终预测。之所以称为梯度提升，是因为它使用梯度下降算法来最小化添加新模型时的损失。

xgboost支持回归和分类预测建模问题。

官方 XGBoost 资源

XGBoost 的最佳信息来源是该项目的官方 GitHub 库。

https://github.com/dmlc/xgboost

还有一个官方文档页面，其中包括一系列不同语言的入门指南、教程、操作指南等。

有一些关于 XGBoost 的更正式的论文值得一读，以了解有关该库的更多背景信息：

• 使用 Boosted Trees 发现希格斯玻色子，2014 年。

  http://proceedings.mlr.press/v42/chen14.pdf

• XGBoost：可扩展的树提升系统，2016 年。

  https://arxiv.org/abs/1603.02754

---

xgboost就为大家介绍到这里了，欢迎各位同学报名<python风控建模实战lendingclub>,学习更多集成树算法相关知识
https://edu.csdn.net/course/detail/30742

版权声明：文章来自公众号(python风控模型),未经许可，不得抄袭。遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。