XGBoost引數調優完全指南（附Python程式碼）

1. 簡介

如果你的預測模型表現得有些不盡如人意，那就用XGBoost吧。XGBoost演算法現在已經成為很多資料工程師的重要武器。它是一種十分精緻的演算法，可以處理各種不規則的資料。
構造一個使用XGBoost的模型十分簡單。但是，提高這個模型的表現就有些困難(至少我覺得十分糾結)。這個演算法使用了好幾個引數。所以為了提高模型的表現，引數的調整十分必要。在解決實際問題的時候，有些問題是很難回答的——你需要調整哪些引數？這些引數要調到什麼值，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，我們會學到引數調優的技巧，以及XGboost相關的一些有用的知識。以及，我們會用Python在一個數據集上實踐一下這個演算法。

2. 你需要知道的

XGBoost(eXtreme Gradient Boosting)是Gradient Boosting演算法的一個優化的版本。因為我在前一篇文章，基於Python的Gradient Boosting演算法引數調整完全指南，裡面已經涵蓋了Gradient Boosting演算法的很多細節了。我強烈建議大家在讀本篇文章之前，把那篇文章好好讀一遍。它會幫助你對Boosting演算法有一個巨集觀的理解，同時也會對GBM的引數調整有更好的體會。

特別鳴謝：我個人十分感謝Mr Sudalai Rajkumar (aka SRK)大神的支援，目前他在AV Rank中位列第二。如果沒有他的幫助，就沒有這篇文章。在他的幫助下，我們才能給無數的資料科學家指點迷津。給他一個大大的贊！

3. 內容列表

1、XGBoost的優勢
2、理解XGBoost的引數
3、調參示例

4. XGBoost的優勢

XGBoost演算法可以給預測模型帶來能力的提升。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，我發現它具有很多優勢：

4.1 正則化

標準GBM的實現沒有像XGBoost這樣的正則化步驟。正則化對減少過擬合也是有幫助的。
實際上，XGBoost以“正則化提升(regularized boosting)”技術而聞名。

4.2 並行處理

XGBoost可以實現並行處理，相比GBM有了速度的飛躍。
不過，眾所周知，Boosting演算法是順序處理的，它怎麼可能並行呢？每一課樹的構造都依賴於前一棵樹，那具體是什麼讓我們能用多核處理器去構造一個樹呢？我希望你理解了這句話的意思。如果你希望瞭解更多，點選這個

連結。
XGBoost 也支援Hadoop實現。

4.3 高度的靈活性

XGBoost 允許使用者定義自定義優化目標和評價標準
它對模型增加了一個全新的維度，所以我們的處理不會受到任何限制。

4.4 缺失值處理

XGBoost內建處理缺失值的規則。
使用者需要提供一個和其它樣本不同的值，然後把它作為一個引數傳進去，以此來作為缺失值的取值。XGBoost在不同節點遇到缺失值時採用不同的處理方法，並且會學習未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會停止分裂。因此GBM實際上是一個貪心演算法。
XGBoost會一直分裂到指定的最大深度(max_depth)，然後回過頭來剪枝。如果某個節點之後不再有正值，它會去除這個分裂。
這種做法的優點，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，因為它遇到了一個負值。但是XGBoost會繼續分裂，然後發現這兩個分裂綜合起來會得到+8，因此會保留這兩個分裂。

4.6 內建交叉驗證

XGBoost允許在每一輪boosting迭代中使用交叉驗證。因此，可以方便地獲得最優boosting迭代次數。
而GBM使用網格搜尋，只能檢測有限個值。

4.7、在已有的模型基礎上繼續

XGBoost可以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勢。
sklearn中的GBM的實現也有這個功能，兩種演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。注意這是我自己總結出來的幾點，你如果有更多的想法，儘管在下面評論指出，我會更新這個列表的！

5. XGBoost的引數

XGBoost的作者把所有的引數分成了三類：

通用引數：巨集觀函式控制。
Booster引數：控制每一步的booster(tree/regression)。
學習目標引數：控制訓練目標的表現。

在這裡我會類比GBM來講解，所以作為一種基礎知識，強烈推薦先閱讀這篇文章。

5.1 通用引數

這些引數用來控制XGBoost的巨集觀功能。

1、booster[預設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

2、silent[預設0]

當這個引數值為1時，靜默模式開啟，不會輸出任何資訊。
一般這個引數就保持預設的0，因為這樣能幫我們更好地理解模型。

3、nthread[預設值為最大可能的執行緒數]

這個引數用來進行多執行緒控制，應當輸入系統的核數。
如果你希望使用CPU全部的核，那就不要輸入這個引數，演算法會自動檢測它。

還有兩個引數，XGBoost會自動設定，目前你不用管它。接下來咱們一起看booster引數。

5.2 booster引數

儘管有兩種booster可供選擇，我這裡只介紹tree booster，因為它的表現遠遠勝過linear booster，所以linear booster很少用到。

1、eta[預設0.3]

和GBM中的 learning rate 引數類似。
通過減少每一步的權重，可以提高模型的魯棒性。
典型值為0.01-0.2。

2、min_child_weight[預設1]

決定最小葉子節點樣本權重和。
和GBM的 min_child_leaf 引數類似，但不完全一樣。XGBoost的這個引數是最小樣本權重的和，而GBM引數是最小樣本總數。
這個引數用於避免過擬合。當它的值較大時，可以避免模型學習到區域性的特殊樣本。
但是如果這個值過高，會導致欠擬合。這個引數需要使用CV來調整。

3、max_depth[預設6]

和GBM中的引數相同，這個值為樹的最大深度。
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區域性的樣本。
需要使用CV函式來進行調優。
典型值：3-10

4、max_leaf_nodes

樹上最大的節點或葉子的數量。
可以替代max_depth的作用。因為如果生成的是二叉樹，一個深度為n的樹最多生成n2個葉子。
如果定義了這個引數，GBM會忽略max_depth引數。

5、gamma[預設0]

在節點分裂時，只有分裂後損失函式的值下降了，才會分裂這個節點。Gamma指定了節點分裂所需的最小損失函式下降值。
這個引數的值越大，演算法越保守。這個引數的值和損失函式息息相關，所以是需要調整的。

6、max_delta_step[預設0]

這引數限制每棵樹權重改變的最大步長。如果這個引數的值為0，那就意味著沒有約束。如果它被賦予了某個正值，那麼它會讓這個演算法更加保守。
通常，這個引數不需要設定。但是當各類別的樣本十分不平衡時，它對邏輯迴歸是很有幫助的。
這個引數一般用不到，但是你可以挖掘出來它更多的用處。

7、subsample[預設1]

和GBM中的subsample引數一模一樣。這個引數控制對於每棵樹，隨機取樣的比例。
減小這個引數的值，演算法會更加保守，避免過擬合。但是，如果這個值設定得過小，它可能會導致欠擬合。
典型值：0.5-1

8、colsample_bytree[預設1]

和GBM裡面的max_features引數類似。用來控制每棵隨機取樣的列數的佔比(每一列是一個特徵)。
典型值：0.5-1

9、colsample_bylevel[預設1]

用來控制樹的每一級的每一次分裂，對列數的取樣的佔比。
我個人一般不太用這個引數，因為subsample引數和colsample_bytree引數可以起到相同的作用。但是如果感興趣，可以挖掘這個引數更多的用處。

10、lambda[預設1]

權重的L2正則化項。(和Ridge regression類似)。
這個引數是用來控制XGBoost的正則化部分的。雖然大部分資料科學家很少用到這個引數，但是這個引數在減少過擬合上還是可以挖掘出更多用處的。

11、alpha[預設1]

權重的L1正則化項。(和Lasso regression類似)。
可以應用在很高維度的情況下，使得演算法的速度更快。

12、scale_pos_weight[預設1]

在各類別樣本十分不平衡時，把這個引數設定為一個正值，可以使演算法更快收斂。

5.3學習目標引數

這個引數用來控制理想的優化目標和每一步結果的度量方法。

1、objective[預設reg:linear]

這個引數定義需要被最小化的損失函式。最常用的值有：
- binary:logistic 二分類的邏輯迴歸，返回預測的概率(不是類別)。
- multi:softmax 使用softmax的多分類器，返回預測的類別(不是概率)。
  - 在這種情況下，你還需要多設一個引數：num_class(類別數目)。
- multi:softprob 和multi:softmax引數一樣，但是返回的是每個資料屬於各個類別的概率。

2、eval_metric[預設值取決於objective引數的取值]

對於有效資料的度量方法。
對於迴歸問題，預設值是rmse，對於分類問題，預設值是error。
典型值有：
- rmse 均方根誤差(∑Ni=1ϵ2N−−−−−−√)
- mae 平均絕對誤差(∑Ni=1|ϵ|N)
- logloss 負對數似然函式值
- error 二分類錯誤率(閾值為0.5)
- merror 多分類錯誤率
- mlogloss 多分類logloss損失函式
- auc 曲線下面積

3、seed(預設0)

隨機數的種子
設定它可以復現隨機資料的結果，也可以用於調整引數

如果你之前用的是Scikit-learn,你可能不太熟悉這些引數。但是有個好訊息，python的XGBoost模組有一個sklearn包，XGBClassifier。這個包中的引數是按sklearn風格命名的。會改變的函式名是：

1、eta -> learning_rate
2、lambda -> reg_lambda
3、alpha -> reg_alpha

你肯定在疑惑為啥咱們沒有介紹和GBM中的n_estimators類似的引數。XGBClassifier中確實有一個類似的引數，但是，是在標準XGBoost實現中呼叫擬合函式時，把它作為num_boosting_rounds引數傳入。
XGBoost Guide 的一些部分是我強烈推薦大家閱讀的，通過它可以對程式碼和引數有一個更好的瞭解：

6. 調參示例

我們從Data Hackathon 3.x AV版的hackathon中獲得資料集，和GBM 介紹文章中是一樣的。更多的細節可以參考competition page
資料集可以從這裡下載。我已經對這些資料進行了一些處理：

City變數，因為類別太多，所以刪掉了一些類別。
DOB變數換算成年齡，並刪除了一些資料。
增加了 EMI_Loan_Submitted_Missing 變數。如果EMI_Loan_Submitted變數的資料缺失，則這個引數的值為1。否則為0。刪除了原先的EMI_Loan_Submitted變數。
EmployerName變數，因為類別太多，所以刪掉了一些類別。
因為Existing_EMI變數只有111個值缺失，所以缺失值補充為中位數0。
增加了 Interest_Rate_Missing 變數。如果Interest_Rate變數的資料缺失，則這個引數的值為1。否則為0。刪除了原先的Interest_Rate變數。
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 兩個變數的缺項用中位數補足。
增加了 Loan_Amount_Submitted_Missing 變數。如果Loan_Amount_Submitted變數的資料缺失，則這個引數的值為1。否則為0。刪除了原先的Loan_Amount_Submitted變數。
增加了 Loan_Tenure_Submitted_Missing 變數。如果 Loan_Tenure_Submitted 變數的資料缺失，則這個引數的值為1。否則為0。刪除了原先的 Loan_Tenure_Submitted 變數。
刪除了LoggedIn, Salary_Account 兩個變數
增加了 Processing_Fee_Missing 變數。如果 Processing_Fee 變數的資料缺失，則這個引數的值為1。否則為0。刪除了原先的 Processing_Fee 變數。
Source前兩位不變，其它分成不同的類別。
進行了離散化和獨熱編碼(一位有效編碼)。

如果你有原始資料，可以從資源庫裡面下載data_preparation的Ipython notebook 檔案，然後自己過一遍這些步驟。

首先，import必要的庫，然後載入資料。

#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'

注意我import了兩種XGBoost：

xgb - 直接引用xgboost。接下來會用到其中的“cv”函式。
XGBClassifier - 是xgboost的sklearn包。這個包允許我們像GBM一樣使用Grid Search 和並行處理。

在向下進行之前，我們先定義一個函式，它可以幫助我們建立XGBoost models 並進行交叉驗證。好訊息是你可以直接用下面的函式，以後再自己的models中也可以使用它。

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')

這個函式和GBM中使用的有些許不同。不過本文章的重點是講解重要的概念，而不是寫程式碼。如果哪裡有不理解的地方，請在下面評論，不要有壓力。注意xgboost的sklearn包沒有“feature_importance”這個量度，但是get_fscore()函式有相同的功能。

6.1 引數調優的一般方法

我們會使用和GBM中相似的方法。需要進行如下步驟：

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，對於不同的問題，理想的學習速率有時候會在0.05到0.3之間波動。選擇對應於此學習速率的理想決策樹數量。XGBoost有一個很有用的函式“cv”，這個函式可以在每一次迭代中使用交叉驗證，並返回理想的決策樹數量。
對於給定的學習速率和決策樹數量，進行決策樹特定引數調優(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引數，待會兒我會舉例說明。
xgboost的正則化引數的調優。(lambda, alpha)。這些引數可以降低模型的複雜度，從而提高模型的表現。
降低學習速率，確定理想引數。

咱們一起詳細地一步步進行這些操作。

第一步：確定學習速率和tree_based 引數調優的估計器數目

為了確定boosting引數，我們要先給其它引數一個初始值。咱們先按如下方法取值：

1、max_depth = 5 :這個引數的取值最好在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。

2、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。因此，某些葉子節點下的值會比較小。

3、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。這個引數後繼也是要調整的。

4、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。

5、scale_pos_weight = 1: 這個值是因為類別十分不平衡。
注意哦，上面這些引數的值只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函式來確定最佳的決策樹數量。前文中的函式可以完成這個工作。

#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)

從輸出結果可以看出，在學習速率為0.1時，理想的決策樹數目是140。這個數字對你而言可能比較高，當然這也取決於你的系統的效能。

注意：在AUC(test)這裡你可以看到測試集的AUC值。但是如果你在自己的系統上執行這些命令，並不會出現這個值。因為資料並不公開。這裡提供的值僅供參考。生成這個值的程式碼部分已經被刪掉了。

第二步： max_depth 和 min_weight 引數調優

我們先對這兩個引數調優，是因為它們對最終結果有很大的影響。首先，我們先大範圍地粗調引數，然後再小範圍地微調。
注意：在這一節我會進行高負荷的柵格搜尋(grid search)，這個過程大約需要15-30分鐘甚至更久，具體取決於你係統的效能。你也可以根據自己系統的效能選擇不同的值。

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_

輸出結果

至此，我們對於數值進行了較大跨度的12中不同的排列組合，可以看出理想的max_depth值為5，理想的min_child_weight值為5。在這個值附近我們可以再進一步調整，來找出理想值。我們把上下範圍各拓展1，因為之前我們進行組合的時候，引數調整的步長是2。

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_