xgboost入門非常經典的材料，雖然讀起來比較吃力，但是會有很大的幫助：

英文原文鏈接:https://www.analyticsvidhya.com/blog/2016/03/complete-guide-parameter-tuning-xgboost-with-codes-python/

原文地址：Complete Guide to Parameter Tuning in XGBoost (with codes in Python)

譯注：文內提供的代碼和運行結果有一定差異，可以從這里下載完整代碼對照參考。另外，我自己跟著教程做的時候，發現我的庫無法解析字符串類型的特征，所以只用其中一部分特征做的，具體數值跟文章中不一樣，反而可以幫助理解文章。所以大家其實也可以小小修改一下代碼，不一定要完全跟著教程做~ ^0^

需要提前安裝好的庫：numpy,matplotlib,pandas,xgboost,scikit-learn

簡介

如果你的預測模型表現得有些不盡如人意，那就用XGBoost吧。XGBoost算法現在已經成為很多數據工程師的重要武器。它是一種十分精致的算法，可以處理各種不規則的數據。

構造一個使用XGBoost的模型十分簡單。但是，提高這個模型的表現就有些困難(至少我覺得十分糾結)。這個算法使用了好幾個參數。所以為了提高模型的表現，參數的調整十分必要。在解決實際問題的時候，有些問題是很難回答的——你需要調整哪些參數？這些參數要調到什么值，才能達到理想的輸出？

這篇文章最適合剛剛接觸XGBoost的人閱讀。在這篇文章中，我們會學到參數調優的技巧，以及XGboost相關的一些有用的知識。以及，我們會用Python在一個數據集上實踐一下這個算法。

你需要知道的

XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一個優化的版本。因為我在前一篇文章，基于Python的Gradient Boosting算法參數調整完全指南，里面已經涵蓋了Gradient Boosting算法的很多細節了。我強烈建議大家在讀本篇文章之前，把那篇文章好好讀一遍。它會幫助你對Boosting算法有一個宏觀的理解，同時也會對GBM的參數調整有更好的體會。

特別鳴謝：我個人十分感謝Mr Sudalai Rajkumar (aka SRK)大神的支持，目前他在AV Rank中位列第二。如果沒有他的幫助，就沒有這篇文章。在他的幫助下，我們才能給無數的數據科學家指點迷津。給他一個大大的贊！

內容列表

1、XGBoost的優勢

2、理解XGBoost的參數

3、調整參數(含示例)

1、XGBoost的優勢

XGBoost算法可以給預測模型帶來能力的提升。當我對它的表現有更多了解的時候，當我對它的高準確率背后的原理有更多了解的時候，我發現它具有很多優勢：

1、正則化

標準GBM的實現沒有像XGBoost這樣的正則化步驟。正則化對減少過擬合也是有幫助的。

實際上，XGBoost以“正則化提升(regularized boosting)”技術而聞名。

2、并行處理

XGBoost可以實現并行處理，相比GBM有了速度的飛躍。

不過，眾所周知，Boosting算法是順序處理的，它怎么可能并行呢？每一課樹的構造都依賴于前一棵樹，那具體是什么讓我們能用多核處理器去構造一個樹呢？我希望你理解了這句話的意思。如果你希望了解更多，點擊這個鏈接。

XGBoost 也支持Hadoop實現。

3、高度的靈活性

XGBoost 允許用戶定義自定義優化目標和評價標準

它對模型增加了一個全新的維度，所以我們的處理不會受到任何限制。

4、缺失值處理

XGBoost內置處理缺失值的規則。

用戶需要提供一個和其它樣本不同的值，然后把它作為一個參數傳進去，以此來作為缺失值的取值。XGBoost在不同節點遇到缺失值時采用不同的處理方法，并且會學習未來遇到缺失值時的處理方法。

5、剪枝

當分裂時遇到一個負損失時，GBM會停止分裂。因此GBM實際上是一個貪心算法。

XGBoost會一直分裂到指定的最大深度(max_depth)，然后回過頭來剪枝。如果某個節點之后不再有正值，它會去除這個分裂。

這種做法的優點，當一個負損失（如-2）后面有個正損失（如+10）的時候，就顯現出來了。GBM會在-2處停下來，因為它遇到了一個負值。但是XGBoost會繼續分裂，然后發現這兩個分裂綜合起來會得到+8，因此會保留這兩個分裂。

6、內置交叉驗證

XGBoost允許在每一輪boosting迭代中使用交叉驗證。因此，可以方便地獲得最優boosting迭代次數。

而GBM使用網格搜索，只能檢測有限個值。

7、在已有的模型基礎上繼續

XGBoost可以在上一輪的結果上繼續訓練。這個特性在某些特定的應用上是一個巨大的優勢。

sklearn中的GBM的實現也有這個功能，兩種算法在這一點上是一致的。

相信你已經對XGBoost強大的功能有了點概念。注意這是我自己總結出來的幾點，你如果有更多的想法，盡管在下面評論指出，我會更新這個列表的！

你的胃口被我吊起來了嗎？棒棒噠！如果你想更深入了解相關信息，可以參考下面這些文章：

XGBoost Guide - Introduce to Boosted Trees

Words from the Auther of XGBoost [Viedo]

2、XGBoost的參數

XGBoost的作者把所有的參數分成了三類：

1、通用參數：宏觀函數控制。

2、Booster參數：控制每一步的booster(tree/regression)。

3、學習目標參數：控制訓練目標的表現。

在這里我會類比GBM來講解，所以作為一種基礎知識，強烈推薦先閱讀這篇文章。

通用參數

這些參數用來控制XGBoost的宏觀功能。

1、booster[默認gbtree]

選擇每次迭代的模型，有兩種選擇：

gbtree：基于樹的模型

gbliner：線性模型

2、silent[默認0]

當這個參數值為1時，靜默模式開啟，不會輸出任何信息。

一般這個參數就保持默認的0，因為這樣能幫我們更好地理解模型。

3、nthread[默認值為最大可能的線程數]

這個參數用來進行多線程控制，應當輸入系統的核數。

如果你希望使用CPU全部的核，那就不要輸入這個參數，算法會自動檢測它。

還有兩個參數，XGBoost會自動設置，目前你不用管它。接下來咱們一起看booster參數。

booster參數

盡管有兩種booster可供選擇，我這里只介紹tree booster，因為它的表現遠遠勝過linear booster，所以linear booster很少用到。

1、eta[默認0.3]

和GBM中的 learning rate 參數類似。

通過減少每一步的權重，可以提高模型的魯棒性。

典型值為0.01-0.2。

2、min_child_weight[默認1]

決定最小葉子節點樣本權重和。

和GBM的 min_child_leaf 參數類似，但不完全一樣。XGBoost的這個參數是最小樣本權重的和，而GBM參數是最小樣本總數。

這個參數用于避免過擬合。當它的值較大時，可以避免模型學習到局部的特殊樣本。

但是如果這個值過高，會導致欠擬合。這個參數需要使用CV來調整。

3、max_depth[默認6]

和GBM中的參數相同，這個值為樹的最大深度。

這個值也是用來避免過擬合的。max_depth越大，模型會學到更具體更局部的樣本。

需要使用CV函數來進行調優。

典型值：3-10

4、max_leaf_nodes

樹上最大的節點或葉子的數量。

可以替代max_depth的作用。因為如果生成的是二叉樹，一個深度為n的樹最多生成n2個葉子。

如果定義了這個參數，GBM會忽略max_depth參數。

5、gamma[默認0]

在節點分裂時，只有分裂后損失函數的值下降了，才會分裂這個節點。Gamma指定了節點分裂所需的最小損失函數下降值。

這個參數的值越大，算法越保守。這個參數的值和損失函數息息相關，所以是需要調整的。

6、max_delta_step[默認0]

這參數限制每棵樹權重改變的最大步長。如果這個參數的值為0，那就意味著沒有約束。如果它被賦予了某個正值，那么它會讓這個算法更加保守。

通常，這個參數不需要設置。但是當各類別的樣本十分不平衡時，它對邏輯回歸是很有幫助的。

這個參數一般用不到，但是你可以挖掘出來它更多的用處。

7、subsample[默認1]

和GBM中的subsample參數一模一樣。這個參數控制對于每棵樹，隨機采樣的比例。

減小這個參數的值，算法會更加保守，避免過擬合。但是，如果這個值設置得過小，它可能會導致欠擬合。

典型值：0.5-1

8、colsample_bytree[默認1]

和GBM里面的max_features參數類似。用來控制每棵隨機采樣的列數的占比(每一列是一個特征)。

典型值：0.5-1

9、colsample_bylevel[默認1]

用來控制樹的每一級的每一次分裂，對列數的采樣的占比。

我個人一般不太用這個參數，因為subsample參數和colsample_bytree參數可以起到相同的作用。但是如果感興趣，可以挖掘這個參數更多的用處。

10、lambda[默認1]

權重的L2正則化項。(和Ridge regression類似)。

這個參數是用來控制XGBoost的正則化部分的。雖然大部分數據科學家很少用到這個參數，但是這個參數在減少過擬合上還是可以挖掘出更多用處的。

11、alpha[默認1]

權重的L1正則化項。(和Lasso regression類似)。

可以應用在很高維度的情況下，使得算法的速度更快。

12、scale_pos_weight[默認1]

在各類別樣本十分不平衡時，把這個參數設定為一個正值，可以使算法更快收斂。

學習目標參數

這個參數用來控制理想的優化目標和每一步結果的度量方法。

1、objective[默認reg:linear]

這個參數定義需要被最小化的損失函數。最常用的值有：

在這種情況下，你還需要多設一個參數：num_class(類別數目)。

binary:logistic 二分類的邏輯回歸，返回預測的概率(不是類別)。

multi:softmax 使用softmax的多分類器，返回預測的類別(不是概率)。

multi:softprob 和multi:softmax參數一樣，但是返回的是每個數據屬于各個類別的概率。

2、eval_metric[默認值取決于objective參數的取值]

對于有效數據的度量方法。

對于回歸問題，默認值是rmse，對于分類問題，默認值是error。

典型值有：

rmse 均方根誤差(∑Ni=1?2N??????√)

mae 平均絕對誤差(∑Ni=1|?|N)

logloss 負對數似然函數值

error 二分類錯誤率(閾值為0.5)

merror 多分類錯誤率

mlogloss 多分類logloss損失函數

auc 曲線下面積

3、seed(默認0)

隨機數的種子

設置它可以復現隨機數據的結果，也可以用于調整參數

如果你之前用的是Scikit-learn,你可能不太熟悉這些參數。但是有個好消息，python的XGBoost模塊有一個sklearn包，XGBClassifier。這個包中的參數是按sklearn風格命名的。會改變的函數名是：

1、eta ->learning_rate

2、lambda->reg_lambda

3、alpha->reg_alpha

你肯定在疑惑為啥咱們沒有介紹和GBM中的’n_estimators’類似的參數。XGBClassifier中確實有一個類似的參數，但是，是在標準XGBoost實現中調用擬合函數時，把它作為’num_boosting_rounds’參數傳入。

XGBoost Guide 的一些部分是我強烈推薦大家閱讀的，通過它可以對代碼和參數有一個更好的了解：

XGBoost Parameters (official guide)

XGBoost Demo Codes (xgboost GitHub repository)

Python API Reference (official guide)

調整參數(含示例)

我們從Data Hackathon 3.x AV版的hackathon中獲得數據集，和GBM 介紹文章中是一樣的。更多的細節可以參考competition page

數據集可以從這里下載。我已經對這些數據進行了一些處理：

City變量，因為類別太多，所以刪掉了一些類別。

DOB變量換算成年齡，并刪除了一些數據。

增加了 EMI_Loan_Submitted_Missing 變量。如果EMI_Loan_Submitted變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的EMI_Loan_Submitted變量。

EmployerName變量，因為類別太多，所以刪掉了一些類別。

因為Existing_EMI變量只有111個值缺失，所以缺失值補充為中位數0。

增加了 Interest_Rate_Missing 變量。如果Interest_Rate變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的Interest_Rate變量。

刪除了Lead_Creation_Date，從直覺上這個特征就對最終結果沒什么幫助。

Loan_Amount_Applied, Loan_Tenure_Applied 兩個變量的缺項用中位數補足。

增加了 Loan_Amount_Submitted_Missing 變量。如果Loan_Amount_Submitted變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的Loan_Amount_Submitted變量。

增加了 Loan_Tenure_Submitted_Missing 變量。如果 Loan_Tenure_Submitted 變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的 Loan_Tenure_Submitted 變量。

刪除了LoggedIn, Salary_Account 兩個變量

增加了 Processing_Fee_Missing 變量。如果 Processing_Fee 變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的 Processing_Fee 變量。

Source前兩位不變，其它分成不同的類別。

進行了量化和獨熱編碼(一位有效編碼)。

如果你有原始數據，可以從資源庫里面下載data_preparation的Ipython notebook 文件，然后自己過一遍這些步驟。

首先，import必要的庫，然后加載數據。

#Import libraries:import pandas as pdimport numpy as npimport xgboost as xgbfrom xgboost.sklearn import XGBClassifierfrom sklearn import cross_validation, metrics ? #Additional ? ? scklearn functionsfrom sklearn.grid_search import GridSearchCV ? #Perforing grid searchimport matplotlib.pylab as plt%matplotlib inlinefrom matplotlib.pylab import rcParamsrcParams['figure.figsize'] = 12, 4train = pd.read_csv('train_modified.csv')target = 'Disbursed'IDcol = 'ID'

注意我import了兩種XGBoost：

xgb - 直接引用xgboost。接下來會用到其中的“cv”函數。

XGBClassifier - 是xgboost的sklearn包。這個包允許我們像GBM一樣使用Grid Search 和并行處理。

在向下進行之前，我們先定義一個函數，它可以幫助我們建立XGBoost models 并進行交叉驗證。好消息是你可以直接用下面的函數，以后再自己的models中也可以使用它。

def modelfit(alg, dtrain, predictors,useTrainCV=True, cv_folds=5, early_stopping_rounds=50):if useTrainCV: ? ?xgb_param = alg.get_xgb_params() ? ?xgtrain = xgb.DMatrix(dtrain[predictors].values, label=dtrain[target].values) ? ?cvresult = xgb.cv(xgb_param, xgtrain, num_boost_round=alg.get_params()['n_estimators'], nfold=cv_folds, ? ? ? ?metrics='auc', early_stopping_rounds=early_stopping_rounds, show_progress=False) ? ?alg.set_params(n_estimators=cvresult.shape[0])#Fit the algorithm on the dataalg.fit(dtrain[predictors], dtrain['Disbursed'],eval_metric='auc')#Predict training set:dtrain_predictions = alg.predict(dtrain[predictors])dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,1]#Print model report:print "/nModel Report"print "Accuracy : %.4g" % metrics.accuracy_score(dtrain['Disbursed'].values, dtrain_predictions)print "AUC Score (Train): %f" % metrics.roc_auc_score(dtrain['Disbursed'], dtrain_predprob)feat_imp = pd.Series(alg.booster().get_fscore()).sort_values(ascending=False)feat_imp.plot(kind='bar', title='Feature Importances')plt.ylabel('Feature Importance Score')

這個函數和GBM中使用的有些許不同。不過本文章的重點是講解重要的概念，而不是寫代碼。如果哪里有不理解的地方，請在下面評論，不要有壓力。注意xgboost的sklearn包沒有“feature_importance”這個量度，但是get_fscore()函數有相同的功能。

參數調優的一般方法。

我們會使用和GBM中相似的方法。需要進行如下步驟：

1. 選擇較高的學習速率(learning rate)。一般情況下，學習速率的值為0.1。但是，對于不同的問題，理想的學習速率有時候會在0.05到0.3之間波動。選擇對應于此學習速率的理想決策樹數量。XGBoost有一個很有用的函數“cv”，這個函數可以在每一次迭代中使用交叉驗證，并返回理想的決策樹數量。

2. 對于給定的學習速率和決策樹數量，進行決策樹特定參數調優(max_depth, min_child_weight, gamma, subsample, colsample_bytree)。在確定一棵樹的過程中，我們可以選擇不同的參數，待會兒我會舉例說明。

3. xgboost的正則化參數的調優。(lambda, alpha)。這些參數可以降低模型的復雜度，從而提高模型的表現。

4. 降低學習速率，確定理想參數。

咱們一起詳細地一步步進行這些操作。

第一步：確定學習速率和tree_based 參數調優的估計器數目。

為了確定boosting 參數，我們要先給其它參數一個初始值。咱們先按如下方法取值：

1、max_depth = 5 :這個參數的取值最好在3-10之間。我選的起始值為5，但是你也可以選擇其它的值。起始值在4-6之間都是不錯的選擇。

2、min_child_weight = 1:在這里選了一個比較小的值，因為這是一個極不平衡的分類問題。因此，某些葉子節點下的值會比較小。

3、gamma = 0: 起始值也可以選其它比較小的值，在0.1到0.2之間就可以。這個參數后繼也是要調整的。

4、subsample,colsample_bytree = 0.8: 這個是最常見的初始值了。典型值的范圍在0.5-0.9之間。

5、scale_pos_weight = 1: 這個值是因為類別十分不平衡。

注意哦，上面這些參數的值只是一個初始的估計值，后繼需要調優。這里把學習速率就設成默認的0.1。然后用xgboost中的cv函數來確定最佳的決策樹數量。前文中的函數可以完成這個工作。

#Choose all predictors except target & IDcolspredictors = [x for x in train.columns if x not in [target,IDcol]]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)modelfit(xgb1, train, predictors)

從輸出結果可以看出，在學習速率為0.1時，理想的決策樹數目是140。這個數字對你而言可能比較高，當然這也取決于你的系統的性能。

注意：在AUC(test)這里你可以看到測試集的AUC值。但是如果你在自己的系統上運行這些命令，并不會出現這個值。因為數據并不公開。這里提供的值僅供參考。生成這個值的代碼部分已經被刪掉了。

第二步： max_depth 和 min_weight 參數調優

我們先對這兩個參數調優，是因為它們對最終結果有很大的影響。首先，我們先大范圍地粗調參數，然后再小范圍地微調。

注意：在這一節我會進行高負荷的柵格搜索(grid search)，這個過程大約需要15-30分鐘甚至更久，具體取決于你系統的性能。你也可以根據自己系統的性能選擇不同的值。

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',n_jobs=4,iid=False, cv=5)gsearch1.fit(train[predictors],train[target])gsearch1.grid_scores_, gsearch1.best_params_, ? ? gsearch1.best_score_

至此，我們對于數值進行了較大跨度的12中不同的排列組合，可以看出理想的max_depth值為5，理想的min_child_weight值為5。在這個值附近我們可以再進一步調整，來找出理想值。我們把上下范圍各拓展1，因為之前我們進行組合的時候，參數調整的步長是2。

param_test2 = { 'max_depth':[4,5,6], 'min_child_weight':[4,5,6]}gsearch2 = GridSearchCV(estimator = XGBClassifier( ? ? learning_rate=0.1, n_estimators=140, max_depth=5, 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_test2, scoring='roc_auc',n_jobs=4,iid=False, cv=5)gsearch2.fit(train[predictors],train[target])gsearch2.grid_scores_, gsearch2.best_params_, ? ? gsearch2.best_score_

至此，我們得到max_depth的理想取值為4，min_child_weight的理想取值為6。同時，我們還能看到cv的得分有了小小一點提高。需要注意的一點是，隨著模型表現的提升，進一步提升的難度是指數級上升的，尤其是你的表現已經接近完美的時候。當然啦，你會發現，雖然min_child_weight的理想取值是6，但是我們還沒嘗試過大于6的取值。像下面這樣，就可以嘗試其它值。

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[predictors],train[target])modelfit(gsearch3.best_estimator_, train, predictors)gsearch2b.grid_scores_, gsearch2b.best_params_, ? ? gsearch2b.best_score_

我們可以看出，6確確實實是理想的取值了。

第三步：gamma參數調優

在已經調整好其它參數的基礎上，我們可以進行gamma參數的調優了。Gamma參數取值范圍可以很大，我這里把取值范圍設置為5了。你其實也可以取更精確的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[predictors],train[target])gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_

從這里可以看出來，我們在第一步調參時設置的初始gamma值就是比較合適的。也就是說，理想的gamma值為0。在這個過程開始之前，最好重新調整boosting回合，因為參數都有變化。

從這里可以看出，得分提高了。所以，最終得到的參數是：

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：調整subsample 和 colsample_bytree 參數

下一步是嘗試不同的subsample 和 colsample_bytree 參數。我們分兩個階段來進行這個步驟。這兩個步驟都取0.6,0.7,0.8,0.9作為起始值。

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[predictors],train[target])gsearch4.grid_scores_, gsearch4.best_params_, gsearch4.best_score_

從這里可以看出來，subsample 和 colsample_bytree 參數的理想取值都是0.8。現在，我們以0.05為步長，在這個值附近嘗試取值。

param_test5 = { 'subsample':[i/100.0 for i in range(75,90,5)], 'colsample_bytree':[i/100.0 for i in range(75,90,5)]}gsearch5 = 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, objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), ?param_grid = param_test5, scoring='roc_auc',n_jobs=4,iid=False, cv=5)gsearch5.fit(train[predictors],train[target])

我們得到的理想取值還是原來的值。因此，最終的理想取值是:

subsample: 0.8

colsample_bytree: 0.8

第五步：正則化參數調優。

下一步是應用正則化來降低過擬合。由于gamma函數提供了一種更加有效地降低過擬合的方法，大部分人很少會用到這個參數。但是我們在這里也可以嘗試用一下這個參數。我會在這里調整’reg_alpha’參數，然后’reg_lambda’參數留給你來完成。

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[predictors],train[target])gsearch6.grid_scores_, gsearch6.best_params_, gsearch6.best_score_

我們可以看到，相比之前的結果，CV的得分甚至還降低了。但是我們之前使用的取值是十分粗糙的，我們在這里選取一個比較靠近理想值(0.01)的取值，來看看是否有更好的表現。

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[predictors],train[target])gsearch7.grid_scores_, gsearch7.best_params_, gsearch7.best_score_

可以看到，CV的得分提高了。現在，我們在模型中來使用正則化參數，來看看這個參數的影響。

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)modelfit(xgb3, train, predictors)

然后我們發現性能有了小幅度提高。

第6步：降低學習速率

最后，我們使用較低的學習速率，以及使用更多的決策樹。我們可以用XGBoost中的CV函數來進行這一步工作。

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)modelfit(xgb4, train, predictors)

至此，你可以看到模型的表現有了大幅提升，調整每個參數帶來的影響也更加清楚了。

在文章的末尾，我想分享兩個重要的思想：

1、僅僅靠參數的調整和模型的小幅優化，想要讓模型的表現有個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。確實是有一定的提升，但是沒有達到質的飛躍。

2、要想讓模型的表現有一個質的飛躍，需要依靠其他的手段，諸如，特征工程(feature egineering) ，模型組合(ensemble of model),以及堆疊(stacking)等。

結束語

這篇文章主要講了如何提升XGBoost模型的表現。首先，我們介紹了相比于GBM，為何XGBoost可以取得這么好的表現。緊接著，我們介紹了每個參數的細節。我們定義了一個可以重復使用的構造模型的函數。

最后，我們討論了使用XGBoost解決問題的一般方法，在AV Data Hackathon 3.x problem數據上實踐了這些方法。

希望看過這篇文章之后，你能有所收獲，下次使用XGBoost解決問題的時候可以更有信心哦~