http://blog.csdn.net/hhy518518/article/details/54988024
摘要：
转载：http://blog.csdn.NET/han_xiaoyang/article/details/52665396
1. 简介
如果你的预测模型表现得有些不尽如人意，那就用XGBoost吧。XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法，可以处理各种不规则的数据。
构造一个使用XGBoost的模型十分简单。但是，提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现，参数的调整十分必要。在解决实际问题的时候，有些问题是很难回答的——你需要调整哪些参数？这些参数要调到什么值，才能达到理想的输出？
这篇文章最适合刚刚接触XGBoost的人阅读。在这篇文章中，我们会学到参数调优的技巧，以及XGboost相关的一些有用的知识。以及，我们会用Python在一个数据集上实践一下这个算法。
2. 你需要知道的
XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一个优化的版本。因为我在前一篇文章，基于Python的Gradient Boosting算法参数调整完全指南，里面已经涵盖了Gradient Boosting算法的很多细节了。我强烈建议大家在读本篇文章之前，把那篇文章好好读一遍。它会帮助你对Boosting算法有一个宏观的理解，同时也会对GBM的参数调整有更好的体会。
特别鸣谢：我个人十分感谢Mr Su* Rajkumar (aka SRK)大神的支持，目前他在AV Rank中位列第二。如果没有他的帮助，就没有这篇文章。在他的帮助下，我们才能给无数的数据科学家指点迷津。给他一个大大的赞！
3. 内容列表
1、XGBoost的优势
2、理解XGBoost的参数
3、调参示例
4. XGBoost的优势
XGBoost算法可以给预测模型带来能力的提升。当我对它的表现有更多了解的时候，当我对它的高准确率背后的原理有更多了解的时候，我发现它具有很多优势：
4.1 正则化
- 标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减少过拟合也是有帮助的。
- 实际上，XGBoost以“正则化提升(regularized boosting)”技术而闻名。
4.2 并行处理
- XGBoost可以实现并行处理，相比GBM有了速度的飞跃。
- 不过，众所周知，Boosting算法是顺序处理的，它怎么可能并行呢？每一课树的构造都依赖于前一棵树，那具体是什么让我们能用多核处理器去构造一个树呢？我希望你理解了这句话的意思。如果你希望了解更多，点击这个链接。
- XGBoost 也支持Hadoop实现。
4.3 高度的灵活性
- XGBoost 允许用户定义自定义优化目标和评价标准
- 它对模型增加了一个全新的维度，所以我们的处理不会受到任何限制。
4.4 缺失值处理
- XGBoost内置处理缺失值的规则。
- 用户需要提供一个和其它样本不同的值，然后把它作为一个参数传进去，以此来作为缺失值的取值。XGBoost在不同节点遇到缺失值时采用不同的处理方法，并且会学习未来遇到缺失值时的处理方法。
4.5 剪枝
- 当分裂时遇到一个负损失时，GBM会停止分裂。因此GBM实际上是一个贪心算法。
- XGBoost会一直分裂到指定的最大深度(max_depth)，然后回过头来剪枝。如果某个节点之后不再有正值，它会去除这个分裂。
- 这种做法的优点，当一个负损失（如-2）后面有个正损失（如+10）的时候，就显现出来了。GBM会在-2处停下来，因为它遇到了一个负值。但是XGBoost会继续分裂，然后发现这两个分裂综合起来会得到+8，因此会保留这两个分裂。
4.6 内置交叉验证
- XGBoost允许在每一轮boosting迭代中使用交叉验证。因此，可以方便地获得最优boosting迭代次数。
- 而GBM使用网格搜索，只能检测有限个值。
4.7、在已有的模型基础上继续
- XGBoost可以在上一轮的结果上继续训练。这个特性在某些特定的应用上是一个巨大的优势。
- sklearn中的GBM的实现也有这个功能，两种算法在这一点上是一致的。
相信你已经对XGBoost强大的功能有了点概念。注意这是我自己总结出来的几点，你如果有更多的想法，尽管在下面评论指出，我会更新这个列表的！
你的胃口被我吊起来了吗？棒棒哒！如果你想更深入了解相关信息，可以参考下面这些文章：
XGBoost Guide - Introduce to Boosted Trees
Words from the Auther of XGBoost [Viedo]
5. XGBoost的参数
XGBoost的作者把所有的参数分成了三类：
- 通用参数：宏观函数控制。
- Booster参数：控制每一步的booster(tree/regression)。
- 学习目标参数：控制训练目标的表现。
在这里我会类比GBM来讲解，所以作为一种基础知识，强烈推荐先阅读这篇文章。
5.1 通用参数
这些参数用来控制XGBoost的宏观功能。
1、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
2、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。
3、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。
还有两个参数，XGBoost会自动设置，目前你不用管它。接下来咱们一起看booster参数。
5.2 booster参数
尽管有两种booster可供选择，我这里只介绍tree booster，因为它的表现远远胜过linear booster，所以linear booster很少用到。
1、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。
2、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。
3、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
4、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n2个叶子。
- 如果定义了这个参数，GBM会忽略max_depth参数。
5、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。
6、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。
7、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
8、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
9、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。
10、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。
11、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。
12、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。
5.3学习目标参数
这个参数用来控制理想的优化目标和每一步结果的度量方法。
1、objective[默认reg:linear]
- 这个参数定义需要被最小化的损失函数。最常用的值有：
- binary:logistic 二分类的逻辑回归，返回预测的概率(不是类别)。
- 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)。
- 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[默认值取决于objective参数的取值]
- 对于有效数据的度量方法。
- 对于回归问题，默认值是rmse，对于分类问题，默认值是error。
- 典型值有：
- rmse 均方根误差(∑Ni=1ϵ2N−−−−−√)
- mae 平均绝对误差(∑Ni=1|ϵ|N)
- logloss 负对数似然函数值
- error 二分类错误率(阈值为0.5)
- merror 多分类错误率
- mlogloss 多分类logloss损失函数
- auc 曲线下面积
3、seed(默认0)
- 随机数的种子
- 设置它可以复现随机数据的结果，也可以用于调整参数
如果你之前用的是Scikit-learn,你可能不太熟悉这些参数。但是有个好消息，Python的XGBoost模块有一个sklearn包，XGBClassifier。这个包中的参数是按sklearn风格命名的。会改变的函数名是：
1、eta -> learning_rate
2、lambda -> reg_lambda
3、alpha -> reg_alpha
你肯定在疑惑为啥咱们没有介绍和GBM中的n_estimators类似的参数。XGBClassifier中确实有一个类似的参数，但是，是在标准XGBoost实现中调用拟合函数时，把它作为num_boosting_rounds参数传入。
XGBoost Guide 的一些部分是我强烈推荐大家阅读的，通过它可以对代码和参数有一个更好的了解：
XGBoost Parameters (official guide)
XGBoost Demo Codes (xgboost GitHub repository)
Python API Reference (official guide)
调参示例
我们从Data Hackathon 3.x AV版的hackathon中获得数据集，和GBM 介绍文章中是一样的。更多的细节可以参考competition page
数据集可以从这里下载。我已经对这些数据进行了一些处理：
-
City变量，因为类别太多，所以删掉了一些类别。 -
DOB变量换算成年龄，并删除了一些数据。 - 增加了
EMI_Loan_Submitted_Missing变量。如果EMI_Loan_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的EMI_Loan_Submitted变量。 -
EmployerName变量，因为类别太多，所以删掉了一些类别。 - 因为
Existing_EMI变量只有111个值缺失，所以缺失值补充为中位数0。 - 增加了
Interest_Rate_Missing变量。如果Interest_Rate变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Interest_Rate变量。 - 删除了
Lead_Creation_Date，从直觉上这个特征就对最终结果没什么帮助。 -
Loan_Amount_Applied, Loan_Tenure_Applied两个变量的缺项用中位数补足。 - 增加了
Loan_Amount_Submitted_Missing变量。如果Loan_Amount_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Loan_Amount_Submitted变量。 - 增加了
Loan_Tenure_Submitted_Missing变量。如果Loan_Tenure_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Loan_Tenure_Submitted变量。 - 删除了
LoggedIn,Salary_Account两个变量 - 增加了
Processing_Fee_Missing变量。如果Processing_Fee变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Processing_Fee变量。 -
Source前两位不变，其它分成不同的类别。 - 进行了离散化和独热编码(一位有效编码)。
如果你有原始数据，可以从资源库里面下载data_preparation的Ipython notebook 文件，然后自己过一遍这些步骤。
载入必要库：
- import pandas as pd
- import numpy as np
- import xgboost as xgb
- from xgboost.sklearn import XGBClassifier
- from sklearn.model_selection import GridSearchCV,cross_val_score
- from sklearn import metrics
- import matplotlib.pylab as plt
读取文件
- train_df = pd.read_csv('train_modified.csv')
- train_y = train_df.pop('Disbursed').values
- test_df = pd.read_csv('test_modified.csv')
- train_df.drop('ID',axis=1,inplace=True)
- test_df.drop('ID',axis=1,inplace=True)
- train_X = train_df.values
然后评分函数未下：
- def modelMetrics(clf,train_x,train_y,isCv=True,cv_folds=5,early_stopping_rounds=50):
- if isCv:
- xgb_param = clf.get_xgb_params()
- xgtrain = xgb.DMatrix(train_x,label=train_y)
- cvresult = xgb.cv(xgb_param,xgtrain,num_boost_round=clf.get_params()['n_estimators'],nfold=cv_folds,
- metrics='auc',early_stopping_rounds=early_stopping_rounds)#是否显示目前几颗树额
- clf.set_params(n_estimators=cvresult.shape[0])
- clf.fit(train_x,train_y,eval_metric='auc')
- #预测
- train_predictions = clf.predict(train_x)
- train_predprob = clf.predict_proba(train_x)[:,1]#1的概率
- #打印
- print("\nModel Report")
- print("Accuracy : %.4g" % metrics.accuracy_score(train_y, train_predictions))
- print("AUC Score (Train): %f" % metrics.roc_auc_score(train_y, train_predprob))
- feat_imp = pd.Series(clf.booster().get_fscore()).sort_values(ascending=False)
- feat_imp.plot(kind='bar',title='Feature importance')
- plt.ylabel('Feature Importance Score')
我们测试下：
Model Report Accuracy : 0.9854 AUC Score (Train): 0.851058
我们看下其中具体的cv结果
cvresult.shape[0]是其中我们用的树的个数
cvresult的结果是一个DataFrame
6.1 参数调优的一般方法
我们会使用和GBM中相似的方法。需要进行如下步骤：
-
选择较高的学习速率(learning rate)。一般情况下，学习速率的值为0.1。但是，对于不同的问题，理想的学习速率有时候会在0.05到0.3之间波动。选择对应于此学习速率的理想决策树数量。XGBoost有一个很有用的函数“cv”，这个函数可以在每一次迭代中使用交叉验证，并返回理想的决策树数量。
-
对于给定的学习速率和决策树数量，进行决策树特定参数调优(max_depth, min_child_weight, gamma, subsample, colsample_bytree)。在确定一棵树的过程中，我们可以选择不同的参数，待会儿我会举例说明。
-
xgboost的正则化参数的调优。(lambda, alpha)。这些参数可以降低模型的复杂度，从而提高模型的表现。
-
降低学习速率，确定理想参数。
-
第一步：确定学习速率和tree_based 参数调优的估计器数目
为了确定boosting参数，我们要先给其它参数一个初始值。咱们先按如下方法取值：
1、max_depth = 5 :这个参数的取值最好在3-10之间。我选的起始值为5，但是你也可以选择其它的值。起始值在4-6之间都是不错的选择。
2、min_child_weight = 1:在这里选了一个比较小的值，因为这是一个极不平衡的分类问题。因此，某些叶子节点下的值会比较小。
3、gamma = 0: 起始值也可以选其它比较小的值，在0.1到0.2之间就可以。这个参数后继也是要调整的。
4、subsample, colsample_bytree = 0.8: 这个是最常见的初始值了。典型值的范围在0.5-0.9之间。
5、scale_pos_weight = 1: 这个值是因为类别十分不平衡。
这里把学习速率就设成默认的0.1。然后用xgboost中的cv函数来确定最佳的决策树数量。前文中的函数可以完成这个工作。
- def tun_parameters(train_x,train_y):
- xgb1 = XGBClassifier(learning_rate=0.1,n_estimators=1000,max_depth=5,min_child_weight=1,gamma=0,subsample=0.8,
- colsample_bytree=0.8,objective= 'binary:logistic',nthread=4,scale_pos_weight=1,seed=27)
- modelMetrics(xgb1,train_x,train_y)
然后我们得到如下的结果：
是根据交叉验证中迭代中
n_estimators: 112 Model Report Accuracy : 0.9854 AUC Score (Train): 0.891681
每一次迭代中使用交叉验证，并返回理想的决策树数量。这个值取决于系统的性能。
第二步： max_depth 和 min_child_weight 参数调优
- param_test1 = {
- 'max_depth':range(3,10,2),
- 'min_child_weight':range(1,6,2)
- }
- gsearch1 = GridSearchCV(estimator=XGBClassifier( learning_rate =0.1, n_estimators=140, max_depth=5,
- min_child_weight=1, gamma=0, subsample=0.8,colsample_bytree=0.8,
- objective= 'binary:logistic', nthread=4,scale_pos_weight=1, seed=27),
- param_grid=param_test1,scoring='roc_auc',iid=False,cv=5)
- gsearch1.fit(train_X,train_y)
- gsearch1.grid_scores_,gsearch1.best_params_,gsearch1.best_score_
我们看见min_child_weight已经在边界处了所以我们还可以继续调整，也可以在下个参数一起调节
我们得到max_depth的理想取值为4，min_child_weight的理想取值为6。同时，我们还能看到cv的得分有了小小一点提高。需要注意的一点是，随着模型表现的提升，进一步提升的难度是指数级上升的，尤其是你的表现已经接近完美的时候。
我们能够进一步看是否6比较好，
- param_test2b = {
- 'min_child_weight': [6, 8, 10, 12]
- }
- gsearch2b = GridSearchCV(estimator=XGBClassifier(learning_rate=0.1, n_estimators=140, max_depth=4,
- min_child_weight=2, gamma=0, subsample=0.8, colsample_bytree=0.8,
- objective='binary:logistic', nthread=4, scale_pos_weight=1,
- seed=27), param_grid=param_test2b, scoring='roc_auc', n_jobs=4,
- iid=False, cv=5)
- gsearch2b.fit(train_x, train_y)
- gsearch2b.grid_scores_, gsearch2b.best_params_, gsearch2b.best_score_
- modelMetrics(gsearch2b, train_x, train_y)
6确实是最佳的值了，不用再调节了。
然后我们拟合一下看下模型评分：
n_estimators: 140 Model Report Accuracy : 0.9854 AUC Score (Train): 0.875086
第三步：gamma参数调优
在已经调整好其它参数的基础上，我们可以进行gamma参数的调优了。Gamma参数取值范围可以很大，我这里把取值范围设置为5了。你其实也可以取更精确的gamma值。
- param_test3 = {
- 'gamma': [i / 10.0 for i in range(0, 5)]
- }
- gsearch3 = GridSearchCV(
- estimator=XGBClassifier(learning_rate=0.1, n_estimators=140, max_depth=4, min_child_weight=6, gamma=0,
- subsample=0.8, colsample_bytree=0.8, objective='binary:logistic', nthread=4,
- scale_pos_weight=1, seed=27), param_grid=param_test3, scoring='roc_auc', n_jobs=4,
- iid=False, cv=5)
- gsearch3.fit(train_x,train_y)
- gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_
从这里，可以看出，得分提高了。所以，最终得到的参数是：
xgb2 = XGBClassifier(
learning_rate =0.1,
n_estimators=1000,
max_depth=4,
min_child_weight=6,
gamma=0,
subsample=0.8,
colsample_bytree=0.8,
objective= 'binary:logistic',
nthread=4,
scale_pos_weight=1,
seed=27)
modelfit(xgb2, train, predictors)第四步：调整subsample 和 colsample_bytree 参数
这两个参数相当于每个树的样本和参数个数
- param_test4 = {
- 'subsample': [i / 10.0 for i in range(6, 10)],
- 'colsample_bytree': [i / 10.0 for i in range(6, 10)]
- }
- gsearch4 = GridSearchCV(
- estimator=XGBClassifier(learning_rate=0.1, n_estimators=177, max_depth=3, min_child_weight=4, gamma=0.1,
- subsample=0.8, colsample_bytree=0.8, objective='binary:logistic', nthread=4,
- scale_pos_weight=1, seed=27), param_grid=param_test4, scoring='roc_auc', n_jobs=4,
- iid=False, cv=5)
- gsearch4.fit(train_x, train_y)
- gsearch4.grid_scores_, gsearch4.best_params_, gsearch4.best_score_
([mean: 0.83836, std: 0.00840, params: {'subsample': 0.6, 'colsample_bytree': 0.6},
mean: 0.83720, std: 0.00976, params: {'subsample': 0.7, 'colsample_bytree': 0.6},
mean: 0.83787, std: 0.00758, params: {'subsample': 0.8, 'colsample_bytree': 0.6},
mean: 0.83776, std: 0.00762, params: {'subsample': 0.9, 'colsample_bytree': 0.6},
mean: 0.83923, std: 0.01005, params: {'subsample': 0.6, 'colsample_bytree': 0.7},
mean: 0.83800, std: 0.00853, params: {'subsample': 0.7, 'colsample_bytree': 0.7},
mean: 0.83819, std: 0.00779, params: {'subsample': 0.8, 'colsample_bytree': 0.7},
mean: 0.83925, std: 0.00906, params: {'subsample': 0.9, 'colsample_bytree': 0.7},
mean: 0.83977, std: 0.00831, params: {'subsample': 0.6, 'colsample_bytree': 0.8},
mean: 0.83867, std: 0.00870, params: {'subsample': 0.7, 'colsample_bytree': 0.8},
mean: 0.83879, std: 0.00797, params: {'subsample': 0.8, 'colsample_bytree': 0.8},
mean: 0.84144, std: 0.00854, params: {'subsample': 0.9, 'colsample_bytree': 0.8},
mean: 0.83878, std: 0.00760, params: {'subsample': 0.6, 'colsample_bytree': 0.9},
mean: 0.83922, std: 0.00823, params: {'subsample': 0.7, 'colsample_bytree': 0.9},
mean: 0.83912, std: 0.00765, params: {'subsample': 0.8, 'colsample_bytree': 0.9},
mean: 0.83926, std: 0.00843, params: {'subsample': 0.9, 'colsample_bytree': 0.9}],
{'colsample_bytree': 0.8, 'subsample': 0.9},
0.84143722014693034)
若我们再将精度增加的话，我们将步长调节到0.05
我们得到的理想取值还是原来的值。因此，最终的理想取值是:
- subsample: 0.8
- colsample_bytree: 0.8
第五步：正则化参数调优
下一步是应用正则化来降低过拟合。由于gamma函数提供了一种更加有效地降低过拟合的方法，大部分人很少会用到这个参数。但是我们在这里也可以尝试用一下这个参数。
- param_test6 = {
- 'reg_alpha':[1e-5, 1e-2, 0.1, 1, 100]
- }
- gsearch6 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=4, min_child_weight=6, gamma=0.1, subsample=0.8, colsample_bytree=0.8, objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), param_grid = param_test6, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
- gsearch6.fit(train_X, train_y)
- gsearch6.grid_scores_, gsearch6.best_params_, gsearch6.best_score_
([mean: 0.83949, std: 0.00720, params: {'reg_alpha': 1e-05},
mean: 0.83940, std: 0.00607, params: {'reg_alpha': 0.01},
mean: 0.84005, std: 0.00638, params: {'reg_alpha': 0.1},
mean: 0.84062, std: 0.00775, params: {'reg_alpha': 1},
mean: 0.81217, std: 0.01559, params: {'reg_alpha': 100}],
{'reg_alpha': 1},
0.84062434371797357)
相比之前的结果，CV的得分甚至还降低了。但是我们之前使用的取值是十分粗糙的，我们在这里选取一个比较靠近理想值(0.01)的取值，来看看是否有更好的表现。
- param_test7 = {
- 'reg_alpha': [0, 0.001, 0.005, 0.01, 0.05]
- }
- gsearch7 = GridSearchCV(
- estimator=XGBClassifier(learning_rate=0.1, n_estimators=177, max_depth=4, min_child_weight=6, gamma=0.1,
- subsample=0.8, colsample_bytree=0.8, objective='binary:logistic', nthread=4,
- scale_pos_weight=1, seed=27), param_grid=param_test7, scoring='roc_auc', n_jobs=4,
- iid=False, cv=5)
- gsearch7.fit(train_x, train_y)
- gsearch7.grid_scores_, gsearch7.best_params_, gsearch7.best_score_
调整精度以后
CV的得分提高了。现在，我们在模型中来使用正则化参数，来看看这个参数的影响。
xgb3 = XGBClassifier(
learning_rate =0.1,
n_estimators=1000,
max_depth=4,
min_child_weight=6,
gamma=0,
subsample=0.8,
colsample_bytree=0.8,
reg_alpha=0.005,
objective= 'binary:logistic',
nthread=4,
scale_pos_weight=1,
seed=27)现在我们可以来看下reg_lambda参数调节：
([mean: 0.83996, std: 0.00597, params: {'reg_lambda': 1e-05},
mean: 0.84030, std: 0.00580, params: {'reg_lambda': 0.01},
mean: 0.83965, std: 0.00574, params: {'reg_lambda': 0.1},
mean: 0.84035, std: 0.00622, params: {'reg_lambda': 1},
mean: 0.83601, std: 0.00944, params: {'reg_lambda': 100}],
{'reg_lambda': 1},
0.84035395025572046)
- param_test8 = {
- 'reg_lambda': [1e-5, 1e-2, 0.1, 1, 100]
- }
- gsearch8 = GridSearchCV(
- estimator=XGBClassifier(learning_rate =0.1, n_estimators=177,max_depth=4,min_child_weight=6, gamma=0, subsample=0.8, colsample_bytree=0.8, reg_alpha=0.005,
- objective= 'binary:logistic',nthread=4, scale_pos_weight=1,seed=27), param_grid=param_test8, scoring='roc_auc', n_jobs=4,
- iid=False, cv=5)
- gsearch8.fit(train_X, train_y)
- gsearch8.grid_scores_, gsearch8.best_params_, gsearch8.best_score_
第6步：降低学习速率
最后，我们使用较低的学习速率，以及使用更多的决策树。我们可以用XGBoost中的CV函数来进行这一步工作。
xgb4 = XGBClassifier( learning_rate =0.01, n_estimators=5000, max_depth=4, min_child_weight=6, gamma=0, subsample=0.8, colsample_bytree=0.8, reg_alpha=0.005, objective= 'binary:logistic', nthread=4, scale_pos_weight=1, seed=27)
我们看下最后的模型评分
至此，你可以看到模型的表现有了大幅提升，调整每个参数带来的影响也更加清楚了。
在文章的末尾，我想分享两个重要的思想：
1、仅仅靠参数的调整和模型的小幅优化，想要让模型的表现有个大幅度提升是不可能的。GBM的最高得分是0.8487，XGBoost的最高得分是0.8494。确实是有一定的提升，但是没有达到质的飞跃。
2、要想让模型的表现有一个质的飞跃，需要依靠其他的手段，诸如，特征工程(feature egineering) ，模型组合(ensemble of model),以及堆叠(stacking)等。