时间戳

首页 > 技术文章 > 模型融合---Xgboost调参总结

模型融合---Xgboost调参总结

nxf-rabbit75 原文

一、xgboost简介：

  • 全称：eXtreme Gradient Boosting
  • 作者：陈天奇(华盛顿大学博士)
  • 基础：GBDT
  • 所属：boosting迭代型、树类算法。
  • 适用范围：分类、回归
  • 优点：速度快、效果好、能处理大规模数据、支持多种语言、支持自定义损失函数等等。
  • 缺点：算法参数过多，调参负责，对原理不清楚的很难使用好XGBoost。不适合处理超高维特征数据。
  • 项目地址：https://github.com/dmlc/xgboost

二、参数速查

参数分为三类：

  • 通用参数：宏观函数控制。
  • Booster参数：控制每一步的booster(tree/regression)。
  • 学习目标参数：控制训练目标的表现。

参数详细解释

 

二、回归

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的解决方法

xgboost支持自定义目标函数，但是要求目标函数必须二阶可到，我们必须显示给出梯度（一阶导）和海瑟矩阵（二阶导），但是MAE不可导，

（1）xgboost自带的MSE，与MAE相距较远。比较接近的损失有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代码：代码来自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代码：

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)

具体可参考：kaggle 讨论 | Xgboost-How to use “mae” as objective function?

（2）自定义近似MAE导数：直接构造MAE的导数

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

Log-cosh代码如下：

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

具体参考：kaggle 讨论

三、分类

 前提：已经处理完所有数据，现在开始训练.

#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'

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。这个包允许我们像GBM一样使用Grid Search 和并行处理。
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：训练，测试，输出AUC，画出重要特征的功能
    参数：alg是分类器,dtrain是训练集(包括label),dtest是测试集(不包括label),predictors是要参与训练的特征(不包括label),
    useTrainCV是是否要交叉验证,cv_folds是交叉验证的折数,early_stopping_rounds是到指定次数就停止继续迭代
    '''
    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])
    
    #训练
    alg.fit(dtrain[predictors], dtrain['Disbursed'],eval_metric='auc')
        
    #预测
    dtrain_predictions = alg.predict(dtrain[predictors])
    dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,1]
        
    #输出accuracy、AUC分数
    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)
    
    #预测测试集,输出测试集的AUC分数
    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包没有“feature_importance”这个量度，但是get_fscore()函数有相同的功能。

调参步骤：

  • 选择较高的学习速率(learning rate)。一般情况下，学习速率的值为0.1。但是，对于不同的问题，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有一个很有用的函数“cv”，这个函数可以在每一次迭代中使用交叉验证，并返回理想的决策树数量。

  • 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)。在确定一棵树的过程中，我们可以选择不同的参数，待会儿我会举例说明。

  • xgboost的正则化参数的调优。(lambda, alpha)。这些参数可以降低模型的复杂度，从而提高模型的表现。

  • 降低学习速率，确定理想参数。

初始参数设置：
  • 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，但是你也可以选择其它的值。起始值在4-6之间都是不错的选择。
  • min_child_weight = 1:在这里选了一个比较小的值，因为这是一个极不平衡的分类问题。因此，某些叶子节点下的值会比较小。
  • gamma = 0: 起始值也可以选其它比较小的值，在0.1到0.2之间就可以。这个参数后继也是要调整的。
  • subsample, colsample_bytree = 0.8: 这个是最常见的初始值了。典型值的范围在0.5-0.9之间。
  • scale_pos_weight = 1: 这个值是因为类别十分不平衡。 
  • 注意，上面这些参数的值只是一个初始的估计值，后继需要调优。这里把学习速率就设成默认的0.1。然后用xgboost中的cv函数来确定最佳的决策树数量。前文中的函数可以完成这个工作。

　　

参考文献：

【1】XGBoost python调参示例

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

【3】xgboost调参（很全）

【4】XGBoost参数调优完全指南（附Python代码）

【5】机器学习算法之XGBoost（非常详细）

推荐阅读