XGBoost调参步骤及常见问题

XGBoost

xgboost中的基学习器除了可以是CART（gbtree）也可以是线性分类器（gblinear）

• xgboost在目标函数中显示的加上了正则化项，基学习为CART时，正则化项与树的叶子节点的数量T和叶子节点的值有关。
  正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。
  从Bias-variance tradeoff角度来讲，正则项降低了模型的variance，使学习出来的模型更加简单，防止过拟合，这也是xgboost优于传统GBDT的一个特性。
  

• GB中使用Loss Function对f(x)的一阶导数计算出伪残差用于学习生成fm(x)，xgboost不仅使用到了一阶导数，还使用二阶导数。
  第t次的loss：
  
  对上式做二阶泰勒展开：g为一阶导数，h为二阶导数
  

• 上面提到CART回归树中寻找最佳分割点的衡量标准是最小化均方差，XGBoost的并行是在特征粒度上的，XGBoost预先对特征的值进行排序，然后保存为block结构
  xgboost寻找分割点的标准是最大化，lamda，gama与正则化项相关
  xgboost算法的步骤和GB基本相同，都是首先初始化为一个常数，gb是根据一阶导数ri，xgboost是根据一阶导数gi和二阶导数hi，迭代生成基学习器，相加更新学习器。

• xgboost考虑了训练数据为稀疏值的情况，可以为缺失值或者指定的值指定分支的默认方向，这能大大提升算法的效率

• 列抽样。xgboost借鉴了随机森林的做法，支持列抽样，不仅能降低过拟合，还能减少计算，这也是xgboost异于传统gbdt的一个特性。

  XGBoost参数设置

  通用参数

  这些参数用来控制XGBoost的宏观功能。

• booster[默认gbtree]

  选择每次迭代的模型，有两种选择：
  gbtree：基于树的模型
  gbliner：线性模型

• silent[默认0]

  当这个参数值为1时，静默模式开启，不会输出任何信息。
  一般这个参数就保持默认的0，因为这样能帮我们更好地理解模型。

• nthread[默认值为最大可能的线程数]

  这个参数用来进行多线程控制，应当输入系统的核数。
  如果你希望使用CPU全部的核，那就不要输入这个参数，算法会自动检测它。

booster参数

• max_depth[默认6]

  和GBM中的参数相同，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。
  需要使用CV函数来进行调优。
  典型值：3-10

• eta[默认0.3]

  和GBM中的 learning rate 参数类似。
  通过减少每一步的权重，可以提高模型的鲁棒性。
  典型值为0.01-0.2

• base_score [ 默认0.5 ]
  所有实例的初始化预测分数，全局偏置；
  为了足够的迭代次数，改变这个值将不会有太大的影响。

• min_child_weight[默认1]
  决定最小叶子节点样本权重和。
  和GBM的 min_child_leaf 参数类似，但不完全一样。XGBoost的这个参数是最小样本权重的和，而GBM参数是最小样本总数。
  这个参数用于避免过拟合。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。

• max_leaf_nodes

  树上最大的节点或叶子的数量。
  可以替代max_depth的作用。因为如果生成的是二叉树，一个深度为n的树最多生成 n 2 n^2 n2个叶子。
  如果定义了这个参数，GBM会忽略max_depth参数。

• gamma[默认0]

  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。

• max_delta_step[默认0]

  这参数限制每棵树权重改变的最大步长。如果这个参数的值为0，那就意味着没有约束。如果它被赋予了某个正值，那么它会让这个算法更加保守。
  通常，这个参数不需要设置。但是当各类别的样本十分不平衡时，它对逻辑回归是很有帮助的。
  这个参数一般用不到，但是你可以挖掘出来它更多的用处。

• subsample[默认1]

  和GBM中的subsample参数一模一样。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

• colsample_bytree[默认1]

  和GBM里面的max_features参数类似。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

• colsample_bylevel[默认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。

• lambda[默认1]

  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。

• alpha[默认1]

  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。

• scale_pos_weight[默认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

学习目