在 Kaggle 的很多比賽中，我們可以看到很多 winner 喜歡用 xgboost，而且獲得非常好的表現，今天就來看看 xgboost 到底是什么以及如何應用。
本文結構：
- 什么是 xgboost？
- 為什么要用它？
- 怎么應用？
- 學習資源
什么是 xgboost？
XGBoost ：eXtreme Gradient Boosting
項目地址：https://github.com/dmlc/xgboost
是由 Tianqi Chen http://homes.cs.washington.edu/~tqchen/ 最初開發的實現可擴展，便攜，分布式 gradient boosting (GBDT, GBRT or GBM) 算法的一個庫，可以下載安裝并應用于 C++，Python，R，Julia，Java，Scala，Hadoop，現在有很多協作者共同開發維護。
XGBoost 所應用的算法就是 gradient boosting decision tree，既可以用于分類也可以用于回歸問題中。
那什么是 Gradient Boosting？
Gradient boosting 是 boosting 的其中一種方法
所謂 Boosting ，就是將弱分離器 f_i(x) 組合起來形成強分類器 F(x) 的一種方法。
所以 Boosting 有三個要素：
A loss function to be optimized：
例如分類問題中用 cross entropy，回歸問題用 mean squared error。A weak learner to make predictions：
例如決策樹。An additive model：
將多個弱學習器累加起來組成強學習器，進而使目標損失函數達到極小。
Gradient boosting 就是通過加入新的弱學習器，來努力糾正前面所有弱學習器的殘差，最終這樣多個學習器相加在一起用來進行最終預測，準確率就會比單獨的一個要高。之所以稱為 Gradient，是因為在添加新模型時使用了梯度下降算法來最小化的損失。
為什么要用 xgboost？
前面已經知道，XGBoost 就是對 gradient boosting decision tree 的實現，但是一般來說，gradient boosting 的實現是比較慢的，因為每次都要先構造出一個樹并添加到整個模型序列中。
而 XGBoost 的特點就是計算速度快，模型表現好，這兩點也正是這個項目的目標。
表現快是因為它具有這樣的設計：
- Parallelization：
訓練時可以用所有的 CPU 內核來并行化建樹。 - Distributed Computing ：
用分布式計算來訓練非常大的模型。 - Out-of-Core Computing：
對于非常大的數據集還可以進行 Out-of-Core Computing。 - Cache Optimization of data structures and algorithms：
更好地利用硬件。
下圖就是 XGBoost 與其它 gradient boosting 和 bagged decision trees 實現的效果比較，可以看出它比 R, Python，Spark，H2O 中的基準配置要更快。
另外一個優點就是在預測問題中模型表現非常好，下面是幾個 kaggle winner 的賽后采訪鏈接，可以看出 XGBoost 的在實戰中的效果。
- Vlad Sandulescu, Mihai Chiru, 1st place of the KDD Cup 2016 competition. Link to the arxiv paper.
- Marios Michailidis, Mathias Müller and HJ van Veen, 1st place of the Dato Truely Native? competition. Link to the Kaggle interview.
- Vlad Mironov, Alexander Guschin, 1st place of the CERN LHCb experiment Flavour of Physics competition. Link to the Kaggle interview.
怎么應用？
先來用 Xgboost 做一個簡單的二分類問題，以下面這個數據為例，來判斷病人是否會在 5 年內患糖尿病，這個數據前 8 列是變量，最后一列是預測值為 0 或 1。
數據描述：
https://archive.ics.uci.edu/ml/datasets/Pima+Indians+Diabetes
下載數據集，并保存為 “pima-indians-diabetes.csv“ 文件：
https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data
1. 基礎應用
引入 xgboost 等包
from numpy import loadtxt
from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
分出變量和標簽
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")
X = dataset[:,0:8]
Y = dataset[:,8]
將數據分為訓練集和測試集，測試集用來預測，訓練集用來學習模型
seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
xgboost 有封裝好的分類器和回歸器，可以直接用 XGBClassifier 建立模型
這里是 XGBClassifier 的文檔：
http://xgboost.readthedocs.io/en/latest/python/python_api.html#module-xgboost.sklearn
model = XGBClassifier()
model.fit(X_train, y_train)
xgboost 的結果是每個樣本屬于第一類的概率，需要用 round 將其轉換為 0 1 值
y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]
得到 Accuracy: 77.95%
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))
2. 監控模型表現
xgboost 可以在模型訓練時，評價模型在測試集上的表現，也可以輸出每一步的分數
只需要將
model = XGBClassifier()
model.fit(X_train, y_train)
變為：
model = XGBClassifier()
eval_set = [(X_test, y_test)]
model.fit(X_train, y_train, early_stopping_rounds=10, eval_metric="logloss", eval_set=eval_set, verbose=True)
那么它會在每加入一顆樹后打印出 logloss
[31] validation_0-logloss:0.487867
[32] validation_0-logloss:0.487297
[33] validation_0-logloss:0.487562
并打印出 Early Stopping 的點：
Stopping. Best iteration:
[32] validation_0-logloss:0.487297
3. 輸出特征重要度
gradient boosting 還有一個優點是可以給出訓練好的模型的特征重要性，
這樣就可以知道哪些變量需要被保留，哪些可以舍棄
需要引入下面兩個類
from xgboost import plot_importance
from matplotlib import pyplot
和前面的代碼相比，就是在 fit 后面加入兩行畫出特征的重要性
model.fit(X, y)
plot_importance(model)
pyplot.show()
4. 調參
如何調參呢，下面是三個超參數的一般實踐最佳值，可以先將它們設定為這個范圍，然后畫出 learning curves，再調解參數找到最佳模型：
- learning_rate ＝ 0.1 或更小，越小就需要多加入弱學習器；
- tree_depth ＝ 2～8；
- subsample ＝ 訓練集的 30%～80%；
接下來我們用 GridSearchCV 來進行調參會更方便一些：
可以調的超參數組合有：
樹的個數和大小 (n_estimators and max_depth).
學習率和樹的個數 (learning_rate and n_estimators).
行列的 subsampling rates (subsample, colsample_bytree and colsample_bylevel).
下面以學習率為例：
先引入這兩個類
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import StratifiedKFold
設定要調節的 learning_rate = [0.0001, 0.001, 0.01, 0.1, 0.2, 0.3]
和原代碼相比就是在 model 后面加上 grid search 這幾行：
model = XGBClassifier()
learning_rate = [0.0001, 0.001, 0.01, 0.1, 0.2, 0.3]
param_grid = dict(learning_rate=learning_rate)
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=7)
grid_search = GridSearchCV(model, param_grid, scoring="neg_log_loss", n_jobs=-1, cv=kfold)
grid_result = grid_search.fit(X, Y)
最后會給出最佳的學習率為 0.1
Best: -0.483013 using {'learning_rate': 0.1}
print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))
我們還可以用下面的代碼打印出每一個學習率對應的分數：
means = grid_result.cv_results_['mean_test_score']
stds = grid_result.cv_results_['std_test_score']
params = grid_result.cv_results_['params']
for mean, stdev, param in zip(means, stds, params):
print("%f (%f) with: %r" % (mean, stdev, param))
-0.689650 (0.000242) with: {'learning_rate': 0.0001}
-0.661274 (0.001954) with: {'learning_rate': 0.001}
-0.530747 (0.022961) with: {'learning_rate': 0.01}
-0.483013 (0.060755) with: {'learning_rate': 0.1}
-0.515440 (0.068974) with: {'learning_rate': 0.2}
-0.557315 (0.081738) with: {'learning_rate': 0.3}
前面就是關于 xgboost 的一些基礎概念和應用實例，下面還有一些學習資源供參考：
學習資源：
Tianqi Chen 的講座：
https://www.youtube.com/watch?v=Vly8xGnNiWs&feature=youtu.be
講義：
https://speakerdeck.com/datasciencela/tianqi-chen-xgboost-overview-and-latest-news-la-meetup-talk
入門教程：
https://xgboost.readthedocs.io/en/latest/
安裝教程：
http://xgboost.readthedocs.io/en/latest/build.html
應用示例：
https://github.com/dmlc/xgboost/tree/master/demo
最好的資源當然就是項目的 Github 主頁：
https://github.com/dmlc/xgboost
參考：
http://machinelearningmastery.com/develop-first-xgboost-model-python-scikit-learn/
https://www.zhihu.com/question/37683881
推薦閱讀 歷史技術博文鏈接匯總
http://www.lxweimin.com/p/28f02bb59fe5
也許可以找到你想要的
