XGBoost參數調優

XGBoost參數調優

http://blog.csdn.net/hhy518518/article/details/54988024

摘要：

轉載：http://blog.csdn.NET/han_xiaoyang/article/details/52665396

 

1. 簡介

 

若是你的預測模型表現得有些不盡如人意，那就用XGBoost吧。XGBoost算法如今已經成爲不少數據工程師的重要武器。它是一種十分精緻的算法，能夠處理各類不規則的數據。 
構造一個使用XGBoost的模型十分簡單。可是，提升這個模型的表現就有些困難(至少我以爲十分糾結)。這個算法使用了好幾個參數。因此爲了提升模型的表現，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——你須要調整哪些參數？這些參數要調到什麼值，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，咱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，咱們會用Python在一個數據集上實踐一下這個算法。

2. 你須要知道的

XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一個優化的版本。由於我在前一篇文章，基於Python的Gradient Boosting算法參數調整徹底指南，裏面已經涵蓋了Gradient Boosting算法的不少細節了。我強烈建議你們在讀本篇文章以前，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：我我的十分感謝Mr Sudalai Rajkumar (aka SRK)大神的支持，目前他在AV Rank中位列第二。若是沒有他的幫助，就沒有這篇文章。在他的幫助下，咱們才能給無數的數據科學家指點迷津。給他一個大大的贊！

3. 內容列表

一、XGBoost的優點 
二、理解XGBoost的參數 
三、調參示例

4. XGBoost的優點

XGBoost算法能夠給預測模型帶來能力的提高。當我對它的表現有更多瞭解的時候，當我對它的高準確率背後的原理有更多瞭解的時候，我發現它具備不少優點：

4.1 正則化

• 標準GBM的實現沒有像XGBoost這樣的正則化步驟。正則化對減小過擬合也是有幫助的。
• 實際上，XGBoost以「正則化提高(regularized boosting)」技術而聞名。

4.2 並行處理

• XGBoost能夠實現並行處理，相比GBM有了速度的飛躍。
• 不過，衆所周知，Boosting算法是順序處理的，它怎麼可能並行呢？每一課樹的構造都依賴於前一棵樹，那具體是什麼讓咱們能用多核處理器去構造一個樹呢？我但願你理解了這句話的意思。若是你但願瞭解更多，點擊這個連接。
• XGBoost 也支持Hadoop實現。

4.3 高度的靈活性

• XGBoost 容許用戶定義自定義優化目標和評價標準
• 它對模型增長了一個全新的維度，因此咱們的處理不會受到任何限制。

4.4 缺失值處理

• XGBoost內置處理缺失值的規則。
• 用戶須要提供一個和其它樣本不一樣的值，而後把它做爲一個參數傳進去，以此來做爲缺失值的取值。XGBoost在不一樣節點遇到缺失值時採用不一樣的處理方法，而且會學習將來遇到缺失值時的處理方法。

4.5 剪枝

• 當分裂時遇到一個負損失時，GBM會中止分裂。所以GBM其實是一個貪心算法。
• XGBoost會一直分裂到指定的最大深度(max_depth)，而後回過頭來剪枝。若是某個節點以後再也不有正值，它會去除這個分裂。
• 這種作法的優勢，當一個負損失（如-2）後面有個正損失（如+10）的時候，就顯現出來了。GBM會在-2處停下來，由於它遇到了一個負值。可是XGBoost會繼續分裂，而後發現這兩個分裂綜合起來會獲得+8，所以會保留這兩個分裂。

4.6 內置交叉驗證

• XGBoost容許在每一輪boosting迭代中使用交叉驗證。所以，能夠方便地得到最優boosting迭代次數。
• 而GBM使用網格搜索，只能檢測有限個值。

4.七、在已有的模型基礎上繼續

• XGBoost能夠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點。
• 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。注意這是我本身總結出來的幾點，你若是有更多的想法，儘管在下面評論指出，我會更新這個列表的！

你的胃口被我吊起來了嗎？棒棒噠！若是你想更深刻了解相關信息，能夠參考下面這些文章： 
XGBoost Guide - Introduce to Boosted Trees 
Words from the Auther of XGBoost [Viedo]

5. XGBoost的參數

XGBoost的做者把全部的參數分紅了三類：

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。

在這裏我會類比GBM來說解，因此做爲一種基礎知識，強烈推薦先閱讀這篇文章。

5.1 通用參數

這些參數用來控制XGBoost的宏觀功能。

一、booster[默認gbtree]

• 選擇每次迭代的模型，有兩種選擇： 
  gbtree：基於樹的模型 
  gbliner：線性模型

二、silent[默認0]

• 當這個參數值爲1時，靜默模式開啓，不會輸出任何信息。
• 通常這個參數就保持默認的0，由於這樣能幫咱們更好地理解模型。

三、nthread[默認值爲最大可能的線程數]

• 這個參數用來進行多線程控制，應當輸入系統的核數。
• 若是你但願使用CPU所有的核，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。接下來我們一塊兒看booster參數。

5.2 booster參數

儘管有兩種booster可供選擇，我這裏只介紹tree booster，由於它的表現遠遠賽過linear booster，因此linear booster不多用到。

一、eta[默認0.3]

• 和GBM中的 learning rate 參數相似。
• 經過減小每一步的權重，能夠提升模型的魯棒性。
• 典型值爲0.01-0.2。

二、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 參數相似，但不徹底同樣。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。
• 這個參數用於避免過擬合。當它的值較大時，能夠避免模型學習到局部的特殊樣本。
• 可是若是這個值太高，會致使欠擬合。這個參數須要使用CV來調整。

三、max_depth[默認6]

• 和GBM中的參數相同，這個值爲樹的最大深度。
• 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。
• 須要使用CV函數來進行調優。
• 典型值：3-10

四、max_leaf_nodes

• 樹上最大的節點或葉子的數量。
• 能夠替代max_depth的做用。由於若是生成的是二叉樹，一個深度爲n的樹最多生成n2個葉子。
• 若是定義了這個參數，GBM會忽略max_depth參數。

五、gamma[默認0]

• 在節點分裂時，只有分裂後損失函數的值降低了，纔會分裂這個節點。Gamma指定了節點分裂所需的最小損失函數降低值。
• 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，因此是須要調整的。

六、max_delta_step[默認0]

• 這參數限制每棵樹權重改變的最大步長。若是這個參數的值爲0，那就意味着沒有約束。若是它被賦予了某個正值，那麼它會讓這個算法更加保守。
• 一般，這個參數不須要設置。可是當各種別的樣本十分不平衡時，它對邏輯迴歸是頗有幫助的。
• 這個參數通常用不到，可是你能夠挖掘出來它更多的用處。

七、subsample[默認1]

• 和GBM中的subsample參數如出一轍。這個參數控制對於每棵樹，隨機採樣的比例。
• 減少這個參數的值，算法會更加保守，避免過擬合。可是，若是這個值設置得太小，它可能會致使欠擬合。
• 典型值：0.5-1

八、colsample_bytree[默認1]

• 和GBM裏面的max_features參數相似。用來控制每棵隨機採樣的列數的佔比(每一列是一個特徵)。
• 典型值：0.5-1

九、colsample_bylevel[默認1]

• 用來控制樹的每一級的每一次分裂，對列數的採樣的佔比。
• 我我的通常不太用這個參數，由於subsample參數和colsample_bytree參數能夠起到相同的做用。可是若是感興趣，能夠挖掘這個參數更多的用處。

十、lambda[默認1]

• 權重的L2正則化項。(和Ridge regression相似)。
• 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不多用到這個參數，可是這個參數在減小過擬合上仍是能夠挖掘出更多用處的。

十一、alpha[默認1]

• 權重的L1正則化項。(和Lasso regression相似)。
• 能夠應用在很高維度的狀況下，使得算法的速度更快。

十二、scale_pos_weight[默認1]

• 在各種別樣本十分不平衡時，把這個參數設定爲一個正值，可使算法更快收斂。

5.3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。

一、objective[默認reg:linear]

• 這個參數定義須要被最小化的損失函數。最經常使用的值有： 
  
  • binary:logistic 二分類的邏輯迴歸，返回預測的機率(不是類別)。
  • multi:softmax 使用softmax的多分類器，返回預測的類別(不是機率)。 
    
    • 在這種狀況下，你還須要多設一個參數：num_class(類別數目)。
  • multi:softprob 和multi:softmax參數同樣，可是返回的是每一個數據屬於各個類別的機率。

二、eval_metric[默認值取決於objective參數的取值]

• 對於有效數據的度量方法。
• 對於迴歸問題，默認值是rmse，對於分類問題，默認值是error。
• 典型值有： 
  
  • rmse 均方根偏差(∑Ni=1ϵ2N−−−−−√)
  • mae 平均絕對偏差(∑Ni=1|ϵ|N)
  • logloss 負對數似然函數值
  • error 二分類錯誤率(閾值爲0.5)
  • merror 多分類錯誤率
  • mlogloss 多分類logloss損失函數
  • auc 曲線下面積

三、seed(默認0)

• 隨機數的種子
• 設置它能夠復現隨機數據的結果，也能夠用於調整參數

若是你以前用的是Scikit-learn,你可能不太熟悉這些參數。可是有個好消息，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：

一、eta -> learning_rate 
二、lambda -> reg_lambda 
三、alpha -> reg_alpha

你確定在疑惑爲啥我們沒有介紹和GBM中的n_estimators相似的參數。XGBClassifier中確實有一個相似的參數，可是，是在標準XGBoost實現中調用擬合函數時，把它做爲num_boosting_rounds參數傳入。 
XGBoost Guide 的一些部分是我強烈推薦你們閱讀的，經過它能夠對代碼和參數有一個更好的瞭解：

XGBoost Parameters (official guide) 
XGBoost Demo Codes (xgboost GitHub repository) 
Python API Reference (official guide)

 

 

 

調參示例

 

咱們從Data Hackathon 3.x AV版的hackathon中得到數據集，和GBM 介紹文章中是同樣的。更多的細節能夠參考competition page 
數據集能夠從這裏下載。我已經對這些數據進行了一些處理：

• City變量，由於類別太多，因此刪掉了一些類別。
• DOB變量換算成年齡，並刪除了一些數據。
• 增長了 EMI_Loan_Submitted_Missing 變量。若是EMI_Loan_Submitted變量的數據缺失，則這個參數的值爲1。不然爲0。刪除了原先的EMI_Loan_Submitted變量。
• EmployerName變量，由於類別太多，因此刪掉了一些類別。
• 由於Existing_EMI變量只有111個值缺失，因此缺失值補充爲中位數0。
• 增長了 Interest_Rate_Missing 變量。若是Interest_Rate變量的數據缺失，則這個參數的值爲1。不然爲0。刪除了原先的Interest_Rate變量。
• 刪除了Lead_Creation_Date，從直覺上這個特徵就對最終結果沒什麼幫助。
• Loan_Amount_Applied, Loan_Tenure_Applied 兩個變量的缺項用中位數補足。
• 增長了 Loan_Amount_Submitted_Missing 變量。若是Loan_Amount_Submitted變量的數據缺失，則這個參數的值爲1。不然爲0。刪除了原先的Loan_Amount_Submitted變量。
• 增長了 Loan_Tenure_Submitted_Missing 變量。若是 Loan_Tenure_Submitted 變量的數據缺失，則這個參數的值爲1。不然爲0。刪除了原先的Loan_Tenure_Submitted 變量。
• 刪除了LoggedIn, Salary_Account 兩個變量
• 增長了 Processing_Fee_Missing 變量。若是 Processing_Fee 變量的數據缺失，則這個參數的值爲1。不然爲0。刪除了原先的 Processing_Fee 變量。
• Source前兩位不變，其它分紅不一樣的類別。
• 進行了離散化和獨熱編碼(一位有效編碼)。

若是你有原始數據，能夠從資源庫裏面下載data_preparation的Ipython notebook 文件，而後本身過一遍這些步驟。

載入必要庫：

 

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

 

 

讀取文件

 

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

而後評分函數未下：

 

 

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)#是否顯示目前幾顆樹額
        clf.set_params(n_estimators=cvresult.shape[0])

    clf.fit(train_x,train_y,eval_metric='auc')

    #預測
    train_predictions = clf.predict(train_x)
    train_predprob = clf.predict_proba(train_x)[:,1]#1的機率

    #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')

咱們測試下：

 

 

Model Report
Accuracy : 0.9854
AUC Score (Train): 0.851058

 

 

咱們看下其中具體的cv結果

cvresult.shape[0]是其中咱們用的樹的個數

cvresult的結果是一個DataFrame

 

 

6.1 參數調優的通常方法

 

咱們會使用和GBM中類似的方法。須要進行以下步驟：

1. 選擇較高的學習速率(learning rate)。通常狀況下，學習速率的值爲0.1。可是，對於不一樣的問題，理想的學習速率有時候會在0.05到0.3之間波動。選擇對應於此學習速率的理想決策樹數量。XGBoost有一個頗有用的函數「cv」，這個函數能夠在每一次迭代中使用交叉驗證，並返回理想的決策樹數量。

2. 對於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)。在肯定一棵樹的過程當中，咱們能夠選擇不一樣的參數，待會兒我會舉例說明。

3. xgboost的正則化參數的調優。(lambda, alpha)。這些參數能夠下降模型的複雜度，從而提升模型的表現。

4. 下降學習速率，肯定理想參數。

5.  

第一步：肯定學習速率和tree_based 參數調優的估計器數目

爲了肯定boosting參數，咱們要先給其它參數一個初始值。我們先按以下方法取值：

一、max_depth = 5 :這個參數的取值最好在3-10之間。我選的起始值爲5，可是你也能夠選擇其它的值。起始值在4-6之間都是不錯的選擇。

二、min_child_weight = 1:在這裏選了一個比較小的值，由於這是一個極不平衡的分類問題。所以，某些葉子節點下的值會比較小。

三、gamma = 0: 起始值也能夠選其它比較小的值，在0.1到0.2之間就能夠。這個參數後繼也是要調整的。

四、subsample, colsample_bytree = 0.8: 這個是最多見的初始值了。典型值的範圍在0.5-0.9之間。

五、scale_pos_weight = 1: 這個值是由於類別十分不平衡。 

這裏把學習速率就設成默認的0.1。而後用xgboost中的cv函數來肯定最佳的決策樹數量。前文中的函數能夠完成這個工做。

 

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)

而後咱們獲得以下的結果：

 

 

是根據交叉驗證中迭代中

n_estimators: 112

Model Report
Accuracy : 0.9854
AUC Score (Train): 0.891681

每一次迭代中使用交叉驗證，並返回理想的決策樹數量。這個值取決於系統的性能。

 

 

 

第二步： max_depth 和 min_child_weight 參數調優

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_

咱們看見min_child_weight已經在邊界處了因此咱們還能夠繼續調整，也能夠在下個參數一塊兒調節

 

咱們獲得max_depth的理想取值爲4，min_child_weight的理想取值爲6。同時，咱們還能看到cv的得分有了小小一點提升。須要注意的一點是，隨着模型表現的提高，進一步提高的難度是指數級上升的，尤爲是你的表現已經接近完美的時候。

咱們可以進一步看是否6比較好，

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確實是最佳的值了，不用再調節了。

而後咱們擬合一下看下模型評分：

n_estimators: 140

Model Report
Accuracy : 0.9854
AUC Score (Train): 0.875086

第三步：gamma參數調優

在已經調整好其它參數的基礎上，咱們能夠進行gamma參數的調優了。Gamma參數取值範圍能夠很大，我這裏把取值範圍設置爲5了。你其實也能夠取更精確的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_x,train_y)
gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_

從這裏，能夠看出，得分提升了。因此，最終獲得的參數是：

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

這兩個參數至關於每一個樹的樣本和參數個數

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)

若咱們再將精度增長的話，咱們將步長調節到0.05

咱們獲得的理想取值仍是原來的值。所以，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下降過擬合。因爲gamma函數提供了一種更加有效地下降過擬合的方法，大部分人不多會用到這個參數。可是咱們在這裏也能夠嘗試用一下這個參數。

 

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)

 

相比以前的結果，CV的得分甚至還下降了。可是咱們以前使用的取值是十分粗糙的，咱們在這裏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_x, train_y)
gsearch7.grid_scores_, gsearch7.best_params_, gsearch7.best_score_

調整精度之後

CV的得分提升了。如今，咱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)

如今咱們能夠來看下reg_lambda參數調節：

([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：下降學習速率

最後，咱們使用較低的學習速率，以及使用更多的決策樹。咱們能夠用XGBoost中的CV函數來進行這一步工做。

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)

咱們看下最後的模型評分

至此，你能夠看到模型的表現有了大幅提高，調整每一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： 一、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高是不可能的。GBM的最高得分是0.8487，XGBoost的最高得分是0.8494。確實是有必定的提高，可是沒有達到質的飛躍。 二、要想讓模型的表現有一個質的飛躍，須要依靠其餘的手段，諸如，特徵工程(feature egineering) ，模型組合(ensemble of model),以及堆疊(stacking)等。