python xgboost調參_模型融合---Xgboost調參總結

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疊代型、樹類算法。

适用範圍：分類、回歸

優點：速度快、效果好、能處理大規模資料、支援多種語言、支援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。不适合處理超高維特征資料。

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)。

學習目标參數：控制訓練目标的表現。

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不支援MAE的解決方法

xgboost支援自定義目标函數，但是要求目标函數必須二階可到，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solution in 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)

(2)自定義近似MAE導數：直接構造MAE的導數

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

三、分類

前提：已經處理完所有資料，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疊代

'''

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 "\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)

#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疊代中使用交叉驗證，并傳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)。在确定一棵樹的過程中，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複雜度，進而提高模型的表現。

降低學習速率，确定理想參數。

初始參數設定：

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:在這裡選了一個比較小的值，因為這是一個極不平衡的分類問題。是以，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。這個參數後繼也是要調整的。

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

scale_pos_weight = 1: 這個值是因為類别十分不平衡。

注意，上面這些參數的值隻是一個初始的估計值，後繼需要調優。這裡把學習速率就設成預設的0.1。然後用xgboost中的cv函數來确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：