一、xgboost簡介：

全稱：eXtreme Gradient Boosting
作者：陳天奇(華盛頓大學博士)
基礎：GBDT
所屬：boosting迭代型、樹類算法。
適用范圍：分類、回歸
優點：速度快、效果好、能處理大規模數據、支持多種語言、支持自定義損失函數等等。
缺點：算法參數過多，調參負責，對原理不清楚的很難使用好XGBoost。不適合處理超高維特征數據。
項目地址：https://github.com/dmlc/xgboost

二、參數速查

參數分為三類：

通用參數：宏觀函數控制。
Booster參數：控制每一步的booster(tree/regression)。
學習目標參數：控制訓練目標的表現。

參數詳細解釋

二、回歸

from xgboost.sklearn import XGBRegressor
from sklearn.model_selection import ShuffleSplit
import xgboost as xgb

xgb_model_ = XGBRegressor(n_thread=8)
cv_split = ShuffleSplit(n_splits = 6,train_size=0.7,test_size=0.2)
xgb_params={'max_depth':[4,5,6,7],
           'learning_rate':np.linspace(0.03,0.3,10),
           'n_estimators':[100,200]}

xgb_search = GridSearchCV(xgb_model_,
                          param_grid=xgb_params,
                          scoring='r2',
                          iid=False,
                          cv=5)
xgb_search.fit(gbdt_train_data,gbdt_train_label)

print(xgb_search.grid_scores_)
print(xgb_search.best_params_)
print(xgb_search.best_score_)

1.xgboost不支持MAE的解決方法

xgboost支持自定義目標函數，但是要求目標函數必須二階可到，我們必須顯示給出梯度（一階導）和海瑟矩陣（二階導），但是MAE不可導，

（1）xgboost自帶的MSE，與MAE相距較遠。比較接近的損失有Huber Loss 以及 Fair Loss。

MSE
Huber Loss
Fair Loss：$c^2(frac{|x|}{c}-ln(frac{|x|}{c}+1))$
Psuedo-Huber loss

　　

Fair Loss代碼：代碼來自solutionin the Kaggle Allstate Challenge.

def fair_obj(preds, dtrain):
    """y = c * abs(x) - c**2 * np.log(abs(x)/c + 1)"""
    x = preds - dtrain.get_labels()
    c = 1
    den = abs(x) + c
    grad = c*x / den
    hess = c*c / den ** 2
    return grad, hess

　　

Psuedo-Huber loss代碼：

import xgboost as xgb

dtrain = xgb.DMatrix(x_train, label=y_train)
dtest = xgb.DMatrix(x_test, label=y_test)

param = {'max_depth': 5}
num_round = 10

def huber_approx_obj(preds, dtrain):
    d = preds - dtrain.get_labels() #remove .get_labels() for sklearn
    h = 1  #h is delta in the graphic
    scale = 1 + (d / h) ** 2
    scale_sqrt = np.sqrt(scale)
    grad = d / scale_sqrt
    hess = 1 / scale / scale_sqrt
    return grad, hess

bst = xgb.train(param, dtrain, num_round, obj=huber_approx_obj) 

具體可參考：kaggle 討論|Xgboost-How to use “mae” as objective function?

（2）自定義近似MAE導數：直接構造MAE的導數

Log-CoshLoss function：$left.log(cosh(h(mathbf{x}_{i})-y_{i}))ight.$，$left.cosh(x)=frac{e^{x}+e^{-x}}{2}ight.$

Log-cosh代碼如下：

def log_cosh_obj(preds, dtrain):
    x = preds - dtrain.get_labels()
    grad = np.tanh(x)
    hess = 1 / np.cosh(x)**2
    return grad, hess　　

具體參考：kaggle 討論

三、分類

前提：已經處理完所有數據，現在開始訓練.

#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'

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。

test_results = pd.read_csv('test_results.csv')
def modelfit(alg, dtrain, dtest, predictors,useTrainCV=True, cv_folds=5, early_stopping_rounds=50):
    '''
　　 功能：訓練，測試，輸出AUC，畫出重要特征的功能
    參數：alg是分類器,dtrain是訓練集(包括label),dtest是測試集(不包括label),predictors是要參與訓練的特征(不包括label),
    useTrainCV是是否要交叉驗證,cv_folds是交叉驗證的折數,early_stopping_rounds是到指定次數就停止繼續迭代
    '''
    if useTrainCV:
        xgb_param = alg.get_xgb_params()
        xgtrain = xgb.DMatrix(dtrain[predictors].values, label=dtrain[target].values)
        xgtest = xgb.DMatrix(dtest[predictors].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])
    
    #訓練
    alg.fit(dtrain[predictors], dtrain['Disbursed'],eval_metric='auc')
        
    #預測
    dtrain_predictions = alg.predict(dtrain[predictors])
    dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,1]
        
    #輸出accuracy、AUC分數
    print "
Model 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)
    
    #預測測試集,輸出測試集的AUC分數
    dtest['predprob'] = alg.predict_proba(dtest[predictors])[:,1]
    results = test_results.merge(dtest[['ID','predprob']], on='ID')
    print 'AUC Score (Test): %f' % metrics.roc_auc_score(results['Disbursed'], results['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')

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。

調參步驟：

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。

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。

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。

降低學習速率，確定理想參數。

初始參數設置：

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

　　

參考文獻：

【1】XGBoost python調參示例

【2】Complete Guide to Parameter Tuning in XGBoost (with codes in Python)

【3】xgboost調參（很全）

【4】XGBoost參數調優完全指南（附Python代碼）

【5】機器學習算法之XGBoost（非常詳細）

總結

以上是生活随笔為你收集整理的模型融合---Xgboost调参总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。