XGBoost API 参数

1 xgboost的安装：

官网链接：https://xgboost.readthedocs.io/en/latest/

pip3 install xgboost

2 xgboost参数介绍

xgboost虽然被称为kaggle比赛神奇，但是，我们要想训练出不错的模型，必须要给参数传递合适的值。

xgboost中封装了很多参数，主要由三种类型构成：通用参数（general parameters），Booster 参数（booster parameters）和学习目标参数（task parameters）

• 通用参数：主要是宏观函数控制；
• Booster参数：取决于选择的Booster类型，用于控制每一步的booster（tree, regressiong）；
• 学习目标参数：控制训练目标的表现。

2.1 通用参数（general parameters）

1. booster [缺省值=gbtree]

2. 决定使用哪个booster，可以是gbtree，gblinear或者dart。

   • gbtree和dart使用基于树的模型(dart 主要多了 Dropout)，而gblinear 使用线性函数.

3. silent [缺省值=0]

   • 设置为0打印运行信息；设置为1静默模式，不打印

4. nthread [缺省值=设置为最大可能的线程数]

   • 并行运行xgboost的线程数，输入的参数应该<=系统的CPU核心数，若是没有设置算法会检测将其设置为CPU的全部核心数

下面的两个参数不需要设置，使用默认的就好了

1. num_pbuffer [xgboost自动设置，不需要用户设置]

   • 预测结果缓存大小，通常设置为训练实例的个数。该缓存用于保存最后boosting操作的预测结果。

2. num_feature [xgboost自动设置，不需要用户设置]

   • 在boosting中使用特征的维度，设置为特征的最大维度

2.2 Booster 参数（booster parameters）

2.2.1 Parameters for Tree Booster

1. eta [缺省值=0.3，别名：learning_rate]

   • 更新中减少的步长来防止过拟合。

   • 在每次boosting之后，可以直接获得新的特征权值，这样可以使得boosting更加鲁棒。

   • 范围： [0,1]

2. gamma [缺省值=0，别名: min_split_loss]（分裂最小loss）

   • 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。

   • 范围: [0,∞]

3. max_depth [缺省值=6]

   • 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。设置为0代表没有限制
   • 范围: [0,∞]

4. min_child_weight [缺省值=1]

   • 决定最小叶子节点样本权重和。XGBoost的这个参数是最小样本权重的和.
   • 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。.
   • 范围: [0,∞]

5. subsample [缺省值=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：0.5-1，0.5代表平均采样，防止过拟合.

   • 范围: (0,1]

6. colsample_bytree [缺省值=1]

   • 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
   • 范围: (0,1]

7. colsample_bylevel [缺省值=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。
   • 我个人一般不太用这个参数，因为subsample参数和colsample_bytree参数可以起到相同的作用。但是如果感兴趣，可以挖掘这个参数更多的用处。
   • 范围: (0,1]

8. lambda [缺省值=1，别名: reg_lambda]

   • 权重的L2正则化项(和Ridge regression类似)。
   • 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。.

9. alpha [缺省值=0，别名: reg_alpha]

   • 权重的L1正则化项。(和Lasso regression类似)。 可以应用在很高维度的情况下，使得算法的速度更快。

10. scale_pos_weight[缺省值=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。通常可以将其设置为负
    • 样本的数目与正样本数目的比值。

2.2.2 Parameters for Linear Booster

linear booster一般很少用到。

1. lambda [缺省值=0，别称: reg_lambda]

   • L2正则化惩罚系数，增加该值会使得模型更加保守。

2. alpha [缺省值=0，别称: reg_alpha]

   • L1正则化惩罚系数，增加该值会使得模型更加保守。

3. lambda_bias [缺省值=0，别称: reg_lambda_bias]

   • 偏置上的L2正则化(没有在L1上加偏置，因为并不重要)

2.3 学习目标参数（task parameters）

1. objective [缺省值=reg:linear]

   1. “reg:linear” – 线性回归
   2. “reg:logistic” – 逻辑回归
   3. “binary:logistic” – 二分类逻辑回归，输出为概率
   4. “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)
   5. “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 [缺省值=通过目标函数选择]

   可供选择的如下所示：

   1. “rmse”: 均方根误差
   2. “mae”: 平均绝对值误差
   3. “logloss”: 负对数似然函数值
   4. “error”: 二分类错误率。
      • 其值通过错误分类数目与全部分类数目比值得到。对于预测，预测值大于0.5被认为是正类，其它归为负类。
   5. “error@t”: 不同的划分阈值可以通过 ‘t’进行设置
   6. “merror”: 多分类错误率，计算公式为(wrong cases)/(all cases)
   7. “mlogloss”: 多分类log损失
   8. “auc”: 曲线下的面积

3. seed [缺省值=0]

   • 随机数的种子