XGBoost的参数介绍及调参

XGBoost参数解释

XGBoost的参数分为三大类：

• 通用参数：根据需求宏观调控。
• Booster参数：booster参数一般可以调控模型的效果和计算代价。我们所说的调参，很这是大程度上都是在调整booster参数。
• 学习目标参数：控制训练目标的表现。我们对于问题的划分主要体现在学习目标参数上。比如我们要做分类还是回归，做二分类还是多分类，这都是目标参数所提供的。

一、通用参数

• booster：我们有两种参数选择，gbtree和gblinear。gbtree是采用树的结构来运行数据，而gblinear是基于线性模型。
• silent：静默模式，为1时模型运行不输出。
• nthread: 使用线程数，一般我们设置成-1,使用所有线程。如果有需要，我们设置成多少就是用多少线程。

二、Booster参数

• n_estimator: 也作num_boosting_rounds，这是生成的最大树的数目，也是最大的迭代次数。

• learning_rate: 有时也叫作eta，系统默认值为0.3。学习率越大越快收敛，但是容易过拟合，索引我们一般设置为0.1.

• gamma：系统默认为0,我们也常用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。因为gamma值越大的时候，损失函数下降更多才可以分裂节点。所以树生成的时候更不容易分裂节点。范围: [0,∞]

• subsample：系统默认为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。设置得过小可能会导致欠拟合。 典型值：0.5-1，0.5代表平均采样，防止过拟合。范围:(0,1]，注意不可取0

• colsample_bytree：系统默认值为1。我们一般设置成0.8左右。

  用来控制每棵随机采样的列数的占比(类采样率)。 典型值：0.5-1.范围: (0,1]。

• colsample_bylevel：默认为1,我们也设置为1.

  这个就相比于前一个更加细致了，它指的是每棵树每次节点分裂的时候列采样的比例。

• max_depth： 系统默认值为6

  我们常用3-10之间的数字。这个值为树的最大深度。这个值是用来控制过拟合的。max_depth越大，模型学习的更加具体。设置为0代表没有限制，范围: [0,∞]。

• max_delta_step：默认0,我们常用0.

  这个参数限制了每棵树权重改变的最大步长，如果这个参数的值为0,则意味着没有约束。如果他被赋予了某一个正值，则是这个算法更加保守。通常，这个参数我们不需要设置，但是当个类别的样本极不平衡的时候，这个参数对逻辑回归优化器是很有帮助的。

• lambda:也称reg_lambda,默认值为0。权重的L1正则化项。可以减少过拟合。

• alpha:也称reg_alpha默认为0。可以应用在高维度的情况下，使得算法更快。

• scale_pos_weight：默认为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。

二、学习目标函数

objective [objective = reg:linear]

• reg:linear– 线性回归
• reg:logistic – 逻辑回归
• binary:logistic – 二分类逻辑回归，输出为概率
• binary:logitraw– 二分类逻辑回归，输出的结果为wTx
• count:poisson – 计数问题的poisson回归，输出结果为poisson分布。在poisson回归中，max_delta_step的缺省值为0.7 (used to safeguard optimization)
• multi:softmax – 设置 XGBoost 使用softmax目标函数做多分类，需要设置参数num_class（类别个数）
• multi:softprob – 如同softmax，但是输出结果为ndata*nclass的向量，其中的值是每个数据分为每个类的概率。

eval_metric [eval_metric=通过目标函数选择]

• rmse: 均方根误差
• mae: 平均绝对值误差
• logloss: negative log-likelihood
• 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。 error@t: 不同的划分阈值可以通过 ‘t’进行设置
• merror: 多分类错误率，计算公式为 (wrong cases)/(all cases)
• mlogloss: 多分类log损失
• auc: 曲线下的面积

一般来说，我们都会使用xgboost.train(params, dtrain)函数来训练我们的模型。这里的params指的是booster参数。

三、XGBoost调参

import xgboost as xgb
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.metrics import roc_auc_score
from sklearn.model_selection import GridSearchCV

train_x, valid_x, train_y, valid_y = train_test_split(x_train, y_train, test_size=0.333, random_state=0)   # 分训练集和验证集
# 这里不需要Dmatrix

parameters = {
              'max_depth': [5, 10, 15, 20, 25],# 树的最大深度
              'learning_rate': [0.01, 0.02, 0.05, 0.1, 0.15],# 学习率
              'n_estimators': [500, 1000, 2000, 3000, 5000],# 最大迭代次数
              'min_child_weight': [0, 2, 5, 10, 20],# 新分裂的节点样本权重停止分裂的最小阈值
              'max_delta_step': [0, 0.2, 0.6, 1, 2],# 叶子输出的最大步长
              'subsample': [0.6, 0.7, 0.8, 0.85, 0.95],# 样本采样率
              'colsample_bytree': [0.5, 0.6, 0.7, 0.8, 0.9],# 列采样率
              'reg_alpha': [0, 0.25, 0.5, 0.75, 1],# L2正则化
              'reg_lambda': [0.2, 0.4, 0.6, 0.8, 1],# L1正则化
              'scale_pos_weight': [0.2, 0.4, 0.6, 0.8, 1]# 样本不均衡时

}

xlf = xgb.XGBClassifier(max_depth=10,
            learning_rate=0.01,
            n_estimators=2000,
            silent=True,
            objective='binary:logistic',
            nthread=-1,
            gamma=0,
            min_child_weight=1,
            max_delta_step=0,
            subsample=0.85,
            colsample_bytree=0.7,
            colsample_bylevel=1,
            reg_alpha=0,
            reg_lambda=1,
            scale_pos_weight=1,
            seed=1440,
            missing=None)
            
# 有了gridsearch我们便不需要fit函数
gsearch = GridSearchCV(xlf, param_grid=parameters, scoring='accuracy', cv=3)
gsearch.fit(train_x, train_y)

print("Best score: %0.3f" % gsearch.best_score_)
print("Best parameters set:")
best_parameters = gsearch.best_estimator_.get_params()
for param_name in sorted(parameters.keys()):
    print("\t%s: %r" % (param_name, best_parameters[param_name]))