XGBoost的优势与不足：全面解析这个让无数数据科学家疯狂的算法

---

highlight: arta
theme: cyanosis

0.什么是XGBoost？

XGBoost(eXtreme Gradient Boost)，中文是极致梯度提升，它是经过优化的分布式梯度提升库，旨在高效、灵活且可移植。

XGBoost提供了一个并行树提升，可以快速准确地解决许多数据科学问题，相同的代码运行在主要的分布式环境上，如Kubernetes，Hadoop，SGE，Dask，Spark，PySpark，并且可以解决数十亿个示例以外的问题。

记得在学吴恩达老师的机器学习课程时，隐约听到这么一句话：以后的决策树方面几乎都是用XGBoost模型，这个模型已经做的非常好了。

关于XGBoost原理部分，任何转述与原论文相比都显得稍逊一筹，所以还是建议大家去看原文，这是论文地址。

1.为什么要使用XGBoost？

即XGBoost的优势：

先看XGBoost有什么好处，再决定用不用😂

1. 使用二阶泰勒展开，这样就可以使得损失函数更加精确，能够更好的拟合数据。
2. 加入正则化，可以避免了树的过拟合，提高了模型的泛化能力。
3. 采用了分块结构block以及并行计算，提高了训练速度和效率，就可以处理大规模的数据集。
4. 支持多种目标函数和评估指标，可以处理回归、分类、排序等问题。
5. 能够自动处理缺失值和稀疏数据，无需额外的预处理。

总之XGBoost是一种高效、灵活和强大的机器学习算法。

在kaggle竞赛方面，有大量选手都选用XGBoost进行数据挖掘比赛，是数据科学比赛的必杀武器，基于我上次一次kaggle比赛中也使用了XGBoost模型，这篇文章就详细介绍一下这个强大的工具。

如果你也想要学习XGBoost算法，就请继续看下去吧🥰

2.XGBoost的使用

这里将XGBoost的github地址贴出来，大家可以去看原代码。

首先在python中安装XGBoost。

pip install xgboost

然后就可以调用XGBoost的库啦😋

3.XGBoost示例 – 房价-高级回归预测

在这篇文章中我将用XGBoost来训练我之前参加的一次kaggle竞赛中的数据，大家可以看看这篇文章熟悉一下数据。

如下是我进行模型预测的部分代码：

import xgboost
model = xgboost.XGBRegressor()
model.fit(x, y)
y_pred = model.predict(x)

print('预测值',y)
predict = [data_test['Id'],y_pred]
predict_df = pd.DataFrame(predict).T
predict_df.to_csv(file_test_out,index=False)

如下是预测的部分数据：

我将预测的数据提交到kaggle竞赛上，想看看XGBoost模型预测的效果怎么样。

下面是我一个月前提交的结果，我用的CatBoost模型，上面一次是我用XGBoost模型，分数并没有提高（本题是分数越低越好），因为CatBoost也是一个和XGBoost比肩的一个算法模型，但是我处理的数据是更加适配CatBoost模型的数据，所以可能不太适配XGBoost模型。但是我会继续去测试XGBoost模型的。

4.XGBoost的巧妙之处

4.1 XGBoost处理缺失值

在对获取的数据中存在缺失值，一般采用手动对缺失值进行填充，如均值、中位数等，然后将填充的数据当做有值的特征进行处理，但是这样人工填充不一定准确，而且没有什么理论依据。

而XGBoost采用的策略是先不处理那些值缺失的样本，采用那些有值的样本搞出分裂点，在遍历每个有值特征的时候，尝试将缺失样本划入左子树和右子树，选择使损失最优的值作为分裂点。

竟然不需要处理缺失值，想想我每次处理缺失值时的糟心啊，XGBoost简直就是神器。

4.1.1 XGBoost预测存在缺失值的数据

突然有一个好的idea邪恶的想法我想实现一下，在房价预测这个问题，缺失值我都是采用手动补全的，既然XGBoost可以不用对缺失值进行填充，那我就尝试一下用XGBoost去预测存在缺失值的数据，看看结果如何。

import pandas as pd
import xgboost
import numpy as np  # 导入numpy库
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import GridSearchCV

file_train_in = r'E:@DS\python练习\kaggle\House Prices\In_data\train.csv'
file_test_in = r'E:@DS\python练习\kaggle\House Prices\In_data\test.csv'
# file_out = r'E:@DS\python练习\kaggle\House Prices\Out_data\predict.csv'

train = pd.read_csv(file_train_in)
test = pd.read_csv(file_test_in)


# # 打印train数据中的数值型数据
# print(train.select_dtypes(include=['int64', 'float64']).columns)

#  将数据类型转换为数值型
def encode_categorical_columns(column):
    return column.astype('category').cat.codes


train[train.select_dtypes(include=['object']).columns] = train[train.select_dtypes(include=['object']).columns].apply(encode_categorical_columns)
test[test.select_dtypes(include=['object']).columns] = test[test.select_dtypes(include=['object']).columns].apply(encode_categorical_columns)

print(train.select_dtypes(include=['object']).columns)

# 预测
X_train = train.drop('SalePrice', axis=1)
y_train = train['SalePrice']
X_test = test

model = xgboost.XGBRegressor()
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

#  数据提交
submission_df = pd.DataFrame({
    'Id': test['Id'],
    'SalePrice': y_pred
})
predict_file_path = r'C:\Users\19313\Desktop\其他\kaggle竞赛\房价预测\xgboost_predict.csv'
submission_df.to_csv(predict_file_path, index=False)

训练结束，赶紧提交一下

哦豁，不对数据进行缺失值处理竟然排名会有这么高，第1888名，这是我参加的竞赛中排名最高的了🥰还真是越努力越心酸，辛苦手动处理的数据，还没有不处理来的好🤣

这也从侧面显示出XGBoost的优越性吧。

4.1.2 CatBoost预测存在缺失值的数据

这个时候我又想测试一下CatBoost，于是代码模型已改，开始使用CatBoost进行预测。

干的好呀，CatBoost又一次刷新了我的排名，看来CatBoost比XGBoost更加优秀。（有点打脸了😅）

学习本来就是一个不会到会的，这一过程会经历的曲折只有到终点才知道，很正常。至少我知道了XGBoost在某些方面还是不如其他的一些算法，世间万物都有缺点，真的很正常。（开始升华🤪）

4.1.3 XGBoost的优势

那XGBoost相比于CatBoost的优势在哪呢？

1. XGBoost使用了直方图算法和预排序算法来加速分裂点的寻找，提高了训练效率。
2. XGBoost使用了正则化项来控制模型的复杂度，防止过拟合。
3. XGBoost支持多种目标函数和评价指标，可以灵活地定制模型的优化目标。
4. XGBoost支持分布式计算和并行学习，可以处理大规模的数据集。

4.1.4 CatBoost的优势

同时也介绍一下CatBoost的优势：

1. CatBoost可以自动处理类别型特征，无需进行编码或转换，提高了模型的准确性。
2. CatBoost使用了对称树和深度优先搜索算法来构建决策树，减少了内存消耗和通信开销。
3. CatBoost使用了一种改进的均值编码方法来处理分类变量，降低了过拟合的风险。
4. CatBoost提供了丰富的可视化工具，可以方便地监控模型的训练过程和结果。

大家可以根据自己需要处理的数据，自行选择这两种算法。

4.2 XGBoost并行训练

XGBoost的并行，并不是每棵树都可以并行训练，每棵树训练前需要等前面的树完成才能开始训练。

XGBoost的并行，指的是特征维度的并行：在训练前，每个特征按特征值对样本进行预排序，并存储为block结构，在后面查找特征分割点时可以重复使用，而且特征已经被存储为一个个block结构，那么在寻找每个特征的最佳分割点时，可以利用多线程对每个block并行计算。

4.XGBoost的应用场景

1. 数据挖掘：用来分析数据的特征重要性，挖掘潜在的规律和关联，提高数据的利用价值。
2. 推荐系统：用来构建用户画像，根据用户的历史行为和偏好，推荐合适的商品或服务。
3. 电商预估：用来预估用户的购买意愿、转化率、订单金额等指标，帮助电商平台优化营销策略和提高效率。
4. 金融风控：可以用来评估用户的信用风险、贷款违约率、欺诈行为等因素，帮助金融机构降低损失和提高效率。

XGBoost不足：

XGBoost虽然这么好，还是存在一些不足的。即：

• 虽然利用排序和近似算法可以降低寻找最佳分裂点的计算量，但在节点分裂过程中仍需要遍历数据集；
• 预排序过程的复杂度过高，不仅需要存储特征值，还需要存储特征对应样本的梯度统计值的索引，相当于消耗了两倍的内存。

最后

XGBoost是一种高效的梯度提升决策树算法，它可以处理大规模数据集，并且具有并行计算和自动处理缺失值等优势。在数据挖掘、推荐系统、电商预估和金融风控等领域有着广泛的应用。然而，XGBoost也存在一些不足，如预排序过程的复杂度较高，需要消耗两倍的内存。因此，在选择使用XGBoost时，需要根据实际需求和数据特点进行权衡。