XGBoost使用总结:
一、参数解读:
1.1 常规参数
booster
gbtree 树模型做为基分类器(默认)
gbliner 线性模型做为基分类器,效果不如前者好,用的不多;
silent
silent=0时,不输出中间过程(默认)
silent=1时,输出中间过程
nthread
nthread=-1时,使用全部CPU进行并行运算(默认)
nthread=1时,使用1个CPU进行运算
scale_pos_weight
正样本的权重,在二分类任务中,当正负样本比例失衡时,设置正样本的权重,模型效果更好。例如,当正负样本比例为1:10时,scale_pos_weight=10
1.2 模型参数
n_estimatores
含义:总共迭代的次数,即决策树的个数(设置为1000)
early_stopping_rounds
含义:在验证集上,当连续n次迭代,分数没有提高后,提前终止训练。
调参:防止overfitting
max_depth
含义:树的深度,默认值为6,典型值3-10
调参:值越大,越容易过拟合;值越小,越容易欠拟合
min_child_weight
含义:默认值为1,孩子节点中最小的样本权重和。如果一个叶子节点的样本权重和小于min_child_weight则拆分过程结束。在现行回归模型中,这个参数是指建立每个模型所需要的最小样本数。该成熟越大算法越conservative。
调参:值越大,越容易欠拟合;值越小,越容易过拟合(值较大时,避免模型学习到局部的特殊样本)
subsample
含义:训练每棵树时,使用的数据占全部训练集的比例。如果设置为0.5则意味着XGBoost将随机的冲整个样本集合中随机的抽取出50%的子样本建立树模型,这能够防止过拟合。默认值为1,典型值为0.5-1。
调参:防止overfitting
colsample_bytree
含义:训练每棵树时,使用的特征占全部特征的比例。默认值为1,典型值为0.5-1。
调参:防止overfitting。
1.3 学习任务参数
eta
含义:学习率,控制每次迭代更新权重时的步长,默认0.3。
调参:值越小,训练越慢。典型值为0.01-0.2。
objective
含义:目标函数
回归任务
reg:linear (默认)
reg:logistic
二分类
binary:logistic 概率
binary:logitraw 类别
多分类
multi:softmax num_class=n 返回类别
multi:softprob num_class=n 返回概率
rank:pairwise(相对于任务来说)
eval_metric:预测数据的度量方法
默认值取决于objective参数的取值,对于回归问题,默认值是rmse,对于分类问题,默认值是error.
回归任务(默认rmse)
rmse–均方根误差
mae–平均绝对误差
分类任务(默认error)
auc–roc曲线下面积
error–错误率(二分类)
merror–错误率(多分类)
logloss–负对数似然函数(二分类)
mlogloss–负对数似然函数(多分类)
gamma
惩罚项系数,指定节点分裂所需的最小损失函数下降值。
alpha
L1正则化系数,默认为1
lambda
L2正则化系数,默认为1
二、主要函数:
建立模型:XGBClassifier(), XGBRegressor()根据任务选择分类或回归函数
模型训练:fit()
模型预测:predict()
特征重要性:plot_importance()显示所有特征的F值和P值
三、调参
from sklearn.model_selection import GridSearchCV
Scikit-learn中提供了一个函数可以帮助我们很好地进行调参;
参数:
estimator:所使用的分类器,如果使用的是XGBoost的话,estimator = XGBRegressor(**other_params)
param_grid:值为字典或者列表,需要最优化的参数的取值。比如:cv_params = {‘n_estimators’: [550, 575, 600]}
scoring :准确度评价标准,默认None;根据所选模型不同,评价准则不同。如果是None,则使用estimator的误差估计函数。