XGBoost参数调优彻底指南（附Python代码）

译注：文内提供的代码和运行结果有必定差别，能够从这里下载完整代码对照参考。另外，我本身跟着教程作的时候，发现个人库没法解析字符串类型的特征，因此只用其中一部分特征作的，具体数值跟文章中不同，反而能够帮助理解文章。因此你们其实也能够小小修改一下代码，不必定要彻底跟着教程作~ ^0^
须要提早安装好的库：numpy,matplotlib,pandas,xgboost,scikit-learn

简介

若是你的预测模型表现得有些不尽如人意，那就用XGBoost吧。XGBoost算法如今已经成为不少数据工程师的重要武器。它是一种十分精致的算法，能够处理各类不规则的数据。
构造一个使用XGBoost的模型十分简单。可是，提升这个模型的表现就有些困难(至少我以为十分纠结)。这个算法使用了好几个参数。因此为了提升模型的表现，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——你须要调整哪些参数？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，咱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，咱们会用Python在一个数据集上实践一下这个算法。

你须要知道的

XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一个优化的版本。

特别鸣谢：我我的十分感谢Mr Sudalai Rajkumar (aka SRK)大神的支持，目前他在AV Rank中位列第二。若是没有他的帮助，就没有这篇文章。在他的帮助下，咱们才能给无数的数据科学家指点迷津。给他一个大大的赞！

内容列表

一、XGBoost的优点
二、理解XGBoost的参数
三、调整参数(含示例)

一、XGBoost的优点

XGBoost算法能够给预测模型带来能力的提高。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，我发现它具备不少优点：

一、正则化

标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减小过拟合也是有帮助的。 实际上，XGBoost以“正则化提高(regularized boosting)”技术而闻名。

二、并行处理

XGBoost能够实现并行处理，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，那具体是什么让咱们能用多核处理器去构造一个树呢？我但愿你理解了这句话的意思。 XGBoost 也支持Hadoop实现。

三、高度的灵活性

XGBoost 容许用户定义自定义优化目标和评价标准 它对模型增长了一个全新的维度，因此咱们的处理不会受到任何限制。

四、缺失值处理

XGBoost内置处理缺失值的规则。 用户须要提供一个和其它样本不一样的值，而后把它做为一个参数传进去，以此来做为缺失值的取值。XGBoost在不一样节点遇到缺失值时采用不一样的处理方法，而且会学习将来遇到缺失值时的处理方法。

五、剪枝

当分裂时遇到一个负损失时，GBM会中止分裂。所以GBM其实是一个贪心算法。 XGBoost会一直分裂到指定的最大深度(max_depth)，而后回过头来剪枝。若是某个节点以后再也不有正值，它会去除这个分裂。 这种作法的优势，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，由于它遇到了一个负值。可是XGBoost会继续分裂，而后发现这两个分裂综合起来会获得+8，所以会保留这两个分裂。

六、内置交叉验证

XGBoost容许在每一轮boosting迭代中使用交叉验证。所以，能够方便地得到最优boosting迭代次数。 而GBM使用网格搜索，只能检测有限个值。

七、在已有的模型基础上继续

XGBoost能够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点。 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。注意这是我本身总结出来的几点，你若是有更多的想法，尽管在下面评论指出，我会更新这个列表的！

二、XGBoost的参数

XGBoost的做者把全部的参数分红了三类：
一、通用参数：宏观函数控制。
二、Booster参数：控制每一步的booster(tree/regression)。
三、学习目标参数：控制训练目标的表现。
在这里我会类比GBM来说解，因此做为一种基础知识。

通用参数

这些参数用来控制XGBoost的宏观功能。

一、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

二、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。 通常这个参数就保持默认的0，由于这样能帮咱们更好地理解模型。

三、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。 若是你但愿使用CPU所有的核，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。接下来我们一块儿看booster参数。

booster参数

尽管有两种booster可供选择，我这里只介绍tree booster，由于它的表现远远赛过linear booster，因此linear booster不多用到。

一、eta[默认0.3]

和GBM中的 learning rate 参数相似。 经过减小每一步的权重，能够提升模型的鲁棒性。 典型值为0.01-0.2。

二、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 参数相似，但不彻底同样。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，能够避免模型学习到局部的特殊样本。 可是若是这个值太高，会致使欠拟合。这个参数须要使用CV来调整。

三、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。 须要使用CV函数来进行调优。 典型值：3-10

四、max_leaf_nodes

树上最大的节点或叶子的数量。 能够替代max_depth的做用。由于若是生成的是二叉树，一个深度为n的树最多生成n2个叶子。 若是定义了这个参数，GBM会忽略max_depth参数。

五、gamma[默认0]

在节点分裂时，只有分裂后损失函数的值降低了，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降低值。 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，因此是须要调整的。

六、max_delta_step[默认0]

这参数限制每棵树权重改变的最大步长。若是这个参数的值为0，那就意味着没有约束。若是它被赋予了某个正值，那么它会让这个算法更加保守。 一般，这个参数不须要设置。可是当各种别的样本十分不平衡时，它对逻辑回归是颇有帮助的。 这个参数通常用不到，可是你能够挖掘出来它更多的用处。

七、subsample[默认1]

和GBM中的subsample参数如出一辙。这个参数控制对于每棵树，随机采样的比例。 减少这个参数的值，算法会更加保守，避免过拟合。可是，若是这个值设置得太小，它可能会致使欠拟合。 典型值：0.5-1

八、colsample_bytree[默认1]

和GBM里面的max_features参数相似。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

九、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。 我我的通常不太用这个参数，由于subsample参数和colsample_bytree参数能够起到相同的做用。可是若是感兴趣，能够挖掘这个参数更多的用处。

十、lambda[默认1]

权重的L2正则化项。(和Ridge regression相似)。 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不多用到这个参数，可是这个参数在减小过拟合上仍是能够挖掘出更多用处的。

十一、alpha[默认1]

权重的L1正则化项。(和Lasso regression相似)。 能够应用在很高维度的状况下，使得算法的速度更快。

十二、scale_pos_weight[默认1]

在各种别样本十分不平衡时，把这个参数设定为一个正值，可使算法更快收敛。

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。

一、objective[默认reg:linear]

这个参数定义须要被最小化的损失函数。最经常使用的值有：
binary:logistic 二分类的逻辑回归，返回预测的几率(不是类别)。 multi:softmax 使用softmax的多分类器，返回预测的类别(不是几率)。
在这种状况下，你还须要多设一个参数：num_class(类别数目)。 multi:softprob 和multi:softmax参数同样，可是返回的是每一个数据属于各个类别的几率。

二、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 均方根偏差(∑Ni=1?2N??????√) mae 平均绝对偏差(∑Ni=1|?|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

三、seed(默认0)

随机数的种子 设置它能够复现随机数据的结果，也能够用于调整参数

若是你以前用的是Scikit-learn,你可能不太熟悉这些参数。可是有个好消息，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：
一、eta ->learning_rate
二、lambda->reg_lambda
三、alpha->reg_alpha
你确定在疑惑为啥我们没有介绍和GBM中的’n_estimators’相似的参数。XGBClassifier中确实有一个相似的参数，可是，是在标准XGBoost实现中调用拟合函数时，把它做为’num_boosting_rounds’参数传入。

调整参数(含示例)

我已经对这些数据进行了一些处理：

City变量，由于类别太多，因此删掉了一些类别。 DOB变量换算成年龄，并删除了一些数据。 增长了 EMI_Loan_Submitted_Missing 变量。若是EMI_Loan_Submitted变量的数据缺失，则这个参数的值为1。不然为0。删除了原先的EMI_Loan_Submitted变量。 EmployerName变量，由于类别太多，因此删掉了一些类别。 由于Existing_EMI变量只有111个值缺失，因此缺失值补充为中位数0。 增长了 Interest_Rate_Missing 变量。若是Interest_Rate变量的数据缺失，则这个参数的值为1。不然为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。 增长了 Loan_Amount_Submitted_Missing 变量。若是Loan_Amount_Submitted变量的数据缺失，则这个参数的值为1。不然为0。删除了原先的Loan_Amount_Submitted变量。 增长了 Loan_Tenure_Submitted_Missing 变量。若是 Loan_Tenure_Submitted 变量的数据缺失，则这个参数的值为1。不然为0。删除了原先的 Loan_Tenure_Submitted 变量。 删除了LoggedIn, Salary_Account 两个变量 增长了 Processing_Fee_Missing 变量。若是 Processing_Fee 变量的数据缺失，则这个参数的值为1。不然为0。删除了原先的 Processing_Fee 变量。 Source前两位不变，其它分红不一样的类别。 进行了量化和独热编码(一位有效编码)。

若是你有原始数据，能够从资源库里面下载data_preparation的Ipython notebook 文件，而后本身过一遍这些步骤。

首先，import必要的库，而后加载数据。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

<code>#Import libraries: import pandas as pd import numpy as np import xgboost as xgb from xgboost.sklearn import XGBClassifier from sklearn import cross_validation, metrics   #Additional     scklearn functions from sklearn.grid_search import GridSearchCV   #Perforing grid search   import matplotlib.pylab as plt %matplotlib inline from matplotlib.pylab import rcParams rcParams[ 'figure.figsize' ] = 12 , 4   train = pd.read_csv( 'train_modified.csv' ) target = 'Disbursed' IDcol = 'ID' </code>

注意我import了两种XGBoost：

xgb - 直接引用xgboost。接下来会用到其中的“cv”函数。 XGBClassifier - 是xgboost的sklearn包。这个包容许咱们像GBM同样使用Grid Search 和并行处理。

在向下进行以前，咱们先定义一个函数，它能够帮助咱们创建XGBoost models 并进行交叉验证。好消息是你能够直接用下面的函数，之后再本身的models中也可使用它。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

<code><code>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 data alg.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' ) </code></code>

这个函数和GBM中使用的有些许不一样。不过本文章的重点是讲解重要的概念，而不是写代码。若是哪里有不理解的地方，请在下面评论，不要有压力。注意xgboost的sklearn包没有“feature_importance”这个量度，可是get_fscore()函数有相同的功能。

参数调优的通常方法。

咱们会使用和GBM中类似的方法。须要进行以下步骤：
1. 选择较高的学习速率(learning rate)。通常状况下，学习速率的值为0.1。可是，对于不一样的问题，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有一个颇有用的函数“cv”，这个函数能够在每一次迭代中使用交叉验证，并返回理想的决策树数量。
2. 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)。在肯定一棵树的过程当中，咱们能够选择不一样的参数，待会儿我会举例说明。
3. xgboost的正则化参数的调优。(lambda, alpha)。这些参数能够下降模型的复杂度，从而提升模型的表现。
4. 下降学习速率，肯定理想参数。

我们一块儿详细地一步步进行这些操做。

第一步：肯定学习速率和tree_based 参数调优的估计器数目。

为了肯定boosting 参数，咱们要先给其它参数一个初始值。我们先按以下方法取值：
一、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，可是你也能够选择其它的值。起始值在4-6之间都是不错的选择。
二、min_child_weight = 1:在这里选了一个比较小的值，由于这是一个极不平衡的分类问题。所以，某些叶子节点下的值会比较小。
三、gamma = 0: 起始值也能够选其它比较小的值，在0.1到0.2之间就能够。这个参数后继也是要调整的。
四、subsample,colsample_bytree = 0.8: 这个是最多见的初始值了。典型值的范围在0.5-0.9之间。
五、scale_pos_weight = 1: 这个值是由于类别十分不平衡。
注意哦，上面这些参数的值只是一个初始的估计值，后继须要调优。这里把学习速率就设成默认的0.1。而后用xgboost中的cv函数来肯定最佳的决策树数量。前文中的函数能够完成这个工做。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

<code><code><code>#Choose all predictors except target & IDcols predictors = [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) </code></code></code>

从输出结果能够看出，在学习速率为0.1时，理想的决策树数目是140。这个数字对你而言可能比较高，固然这也取决于你的系统的性能。

注意：在AUC(test)这里你能够看到测试集的AUC值。可是若是你在本身的系统上运行这些命令，并不会出现这个值。由于数据并不公开。这里提供的值仅供参考。生成这个值的代码部分已经被删掉了。<喎�"/kf/ware/vc/" target="_blank" class="keylink">vcD4NCjwvYmxvY2txdW90ZT4NCjxoMSBpZD0="第二步-maxdepth-和-minweight-参数调优">第二步： max_depth 和 min_weight 参数调优

咱们先对这两个参数调优，是由于它们对最终结果有很大的影响。首先，咱们先大范围地粗调参数，而后再小范围地微调。
注意：在这一节我会进行高负荷的栅格搜索(grid search)，这个过程大约须要15-30分钟甚至更久，具体取决于你系统的性能。你也能够根据本身系统的性能选择不一样的值。

?

1 2 3 4 5 6 7 8 9 10 11

<code><code><code><code>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_ </code></code></code></code>

至此，咱们对于数值进行了较大跨度的12中不一样的排列组合，能够看出理想的max_depth值为5，理想的min_child_weight值为5。在这个值附近咱们能够再进一步调整，来找出理想值。咱们把上下范围各拓展1，由于以前咱们进行组合的时候，参数调整的步长是2。

?

1 2 3 4 5 6 7 8 9 10 11

<code><code><code><code><code>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_ </code></code></code></code></code>

至此，咱们获得max_depth的理想取值为4，min_child_weight的理想取值为6。同时，咱们还能看到cv的得分有了小小一点提升。须要注意的一点是，随着模型表现的提高，进一步提高的难度是指数级上升的，尤为是你的表现已经接近完美的时候。固然啦，你会发现，虽然min_child_weight的理想取值是6，可是咱们还没尝试过大于6的取值。像下面这样，就能够尝试其它值。

?

1 2 3 4 5 6 7 8 9 10 11 12

<code><code><code><code><code><code>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_ </code></code></code></code></code></code>

咱们能够看出，6确确实实是理想的取值了。

第三步：gamma参数调优

在已经调整好其它参数的基础上，咱们能够进行gamma参数的调优了。Gamma参数取值范围能够很大，我这里把取值范围设置为5了。你其实也能够取更精确的gamma值。

?

1 2 3 4 5 6 7 8 9 10

<code><code><code><code><code><code><code>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_ </code></code></code></code></code></code></code>

从这里能够看出来，咱们在第一步调参时设置的初始gamma值就是比较合适的。也就是说，理想的gamma值为0。在这个过程开始以前，最好从新调整boosting回合，由于参数都有变化。

从这里能够看出，得分提升了。因此，最终获得的参数是：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14

<code><code><code><code><code><code><code><code>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) </code></code></code></code></code></code></code></code>

第四步：调整subsample 和 colsample_bytree 参数

下一步是尝试不一样的subsample 和 colsample_bytree 参数。咱们分两个阶段来进行这个步骤。这两个步骤都取0.6,0.7,0.8,0.9做为起始值。

?

1 2 3 4 5 6 7 8 9 10 11

<code><code><code><code><code><code><code><code><code>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_ </code></code></code></code></code></code></code></code></code>

从这里能够看出来，subsample 和 colsample_bytree 参数的理想取值都是0.8。如今，咱们以0.05为步长，在这个值附近尝试取值。

?

1 2 3 4 5 6 7 8 9 10

<code><code><code><code><code><code><code><code><code><code>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]) </code></code></code></code></code></code></code></code></code></code>

咱们获得的理想取值仍是原来的值。所以，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下降过拟合。因为gamma函数提供了一种更加有效地下降过拟合的方法，大部分人不多会用到这个参数。可是咱们在这里也能够尝试用一下这个参数。我会在这里调整’reg_alpha’参数，而后’reg_lambda’参数留给你来完成。

?

1 2 3 4 5 6 7 8 9 10

<code><code><code><code><code><code><code><code><code><code><code>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_ </code></code></code></code></code></code></code></code></code></code></code>

咱们能够看到，相比以前的结果，CV的得分甚至还下降了。可是咱们以前使用的取值是十分粗糙的，咱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。

?

1 2 3 4 5 6 7 8 9 10

<code><code><code><code><code><code><code><code><code><code><code><code>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_ </code></code></code></code></code></code></code></code></code></code></code></code>

能够看到，CV的得分提升了。如今，咱们在模型中来使用正则化参数，来看看这个参数的影响。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

<code><code><code><code><code><code><code><code><code><code><code><code><code>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) </code></code></code></code></code></code></code></code></code></code></code></code></code>

而后咱们发现性能有了小幅度提升。

第6步：下降学习速率

最后，咱们使用较低的学习速率，以及使用更多的决策树。咱们能够用XGBoost中的CV函数来进行这一步工做。

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

<code><code><code><code><code><code><code><code><code><code><code><code><code><code>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) </code></code></code></code></code></code></code></code></code></code></code></code></code></code>




至此，你能够看到模型的表现有了大幅提高，调整每一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：
一、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高是不可能的。GBM的最高得分是0.8487，XGBoost的最高得分是0.8494。确实是有必定的提高，可是没有达到质的飞跃。
二、要想让模型的表现有一个质的飞跃，须要依靠其余的手段，诸如，特征工程(feature egineering) ，模型组合(ensemble of model),以及堆叠(stacking)等。

 

结束语

这篇文章主要讲了如何提高XGBoost模型的表现。首先，咱们介绍了相比于GBM，为什么XGBoost能够取得这么好的表现。紧接着，咱们介绍了每一个参数的细节。咱们定义了一个能够重复使用的构造模型的函数。最后，咱们讨论了使用XGBoost解决问题的通常方法，在AV Data Hackathon 3.x problem数据上实践了这些方法。但愿看过这篇文章以后，你能有所收获，下次使用XGBoost解决问题的时候能够更有信心哦~