[机器学习] XGBoost参数调优完全指南（附Python代码）
?
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算法現在已經成為很多數據工程師的重要武器。它是一種十分精致的算法，可以處理各種不規則的數據。
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)。這個算法使用了好幾個參數。所以為了提高模型的表現，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——你需要調整哪些參數？這些參數要調到什么值，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，我們會學到參數調優的技巧，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算法。
2. 你需要知道的
XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一個優化的版本。因為我在前一篇文章，基于Python的Gradient Boosting算法參數調整完全指南，里面已經涵蓋了Gradient Boosting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：我個人十分感謝Mr Sudalai Rajkumar (aka SRK)大神的支持，目前他在AV Rank中位列第二。如果沒有他的幫助，就沒有這篇文章。在他的幫助下，我們才能給無數的數據科學家指點迷津。給他一個大大的贊！
3. 內容列表
1、XGBoost的優勢
2、理解XGBoost的參數
3、調參示例
4. XGBoost的優勢
XGBoost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了解的時候，當我對它的高準確率背后的原理有更多了解的時候，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 并行處理
- XGBoost可以實現并行處理，相比GBM有了速度的飛躍。
- 不過，眾所周知，Boosting算法是順序處理的，它怎么可能并行呢？每一課樹的構造都依賴于前一棵樹，那具體是什么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。如果你希望了解更多，點擊這個鏈接。
- XGBoost 也支持Hadoop實現。
4.3 高度的靈活性
- XGBoost 允許用戶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內置處理缺失值的規則。
- 用戶需要提供一個和其它樣本不同的值，然后把它作為一個參數傳進去，以此來作為缺失值的取值。XGBoost在不同節點遇到缺失值時采用不同的處理方法，并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實際上是一個貪心算法。
- XGBoost會一直分裂到指定的最大深度(max_depth)，然后回過頭來剪枝。如果某個節點之后不再有正值，它會去除這個分裂。
- 這種做法的優點，當一個負損失（如-2）后面有個正損失（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，然后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 內置交叉驗證
- 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使用網格搜索，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，盡管在下面評論指出，我會更新這個列表的！
你的胃口被我吊起來了嗎？棒棒噠！如果你想更深入了解相關信息，可以參考下面這些文章：
XGBoost Guide - Introduce to Boosted Trees
Words from the Auther of XGBoost [Viedo]
5. XGBoost的參數
XGBoost的作者把所有的參數分成了三類：
在這里我會類比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 通用參數
這些參數用來控制XGBoost的宏觀功能。
1、booster[默認gbtree]
- 選擇每次迭代的模型，有兩種選擇：
gbtree：基于樹的模型
gbliner：線性模型
2、silent[默認0]
- 當這個參數值為1時，靜默模式開啟，不會輸出任何信息。
- 一般這個參數就保持默認的0，因為這樣能幫我們更好地理解模型。
3、nthread[默認值為最大可能的線程數]
- 這個參數用來進行多線程控制，應當輸入系統的核數。
- 如果你希望使用CPU全部的核，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。接下來咱們一起看booster參數。
5.2 booster參數
盡管有兩種booster可供選擇，我這里只介紹tree booster，因為它的表現遠遠勝過linear booster，所以linear booster很少用到。
1、eta[默認0.3]
- 和GBM中的 learning rate 參數類似。
- 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[默認1]
- 決定最小葉子節點樣本權重和。
- 和GBM的 min_child_leaf 參數類似，但不完全一樣。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。
- 這個參數用于避免過擬合。當它的值較大時，可以避免模型學習到局部的特殊樣本。
- 但是如果這個值過高，會導致欠擬合。這個參數需要使用CV來調整。
3、max_depth[默認6]
- 和GBM中的參數相同，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局部的樣本。
- 需要使用CV函數來進行調優。
- 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。
- 如果定義了這個參數，GBM會忽略max_depth參數。
5、gamma[默認0]
- 在節點分裂時，只有分裂后損失函數的值下降了，才會分裂這個節點。Gamma指定了節點分裂所需的最小損失函數下降值。
- 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，所以是需要調整的。
6、max_delta_step[默認0]
- 這參數限制每棵樹權重改變的最大步長。如果這個參數的值為0，那就意味著沒有約束。如果它被賦予了某個正值，那么它會讓這個算法更加保守。
- 通常，這個參數不需要設置。但是當各類別的樣本十分不平衡時，它對邏輯回歸是很有幫助的。
- 這個參數一般用不到，但是你可以挖掘出來它更多的用處。
7、subsample[默認1]
- 和GBM中的subsample參數一模一樣。這個參數控制對于每棵樹，隨機采樣的比例。
- 減小這個參數的值，算法會更加保守，避免過擬合。但是，如果這個值設置得過小，它可能會導致欠擬合。
- 典型值：0.5-1
8、colsample_bytree[默認1]
- 和GBM里面的max_features參數類似。用來控制每棵隨機采樣的列數的占比(每一列是一個特征)。
- 典型值：0.5-1
9、colsample_bylevel[默認1]
- 用來控制樹的每一級的每一次分裂，對列數的采樣的占比。
- 我個人一般不太用這個參數，因為subsample參數和colsample_bytree參數可以起到相同的作用。但是如果感興趣，可以挖掘這個參數更多的用處。
10、lambda[默認1]
- 權重的L2正則化項。(和Ridge regression類似)。
- 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很少用到這個參數，但是這個參數在減少過擬合上還是可以挖掘出更多用處的。
11、alpha[默認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，使得算法的速度更快。
12、scale_pos_weight[默認1]
- 在各類別樣本十分不平衡時，把這個參數設定為一個正值，可以使算法更快收斂。
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。
1、objective[默認reg:linear]
- 這個參數定義需要被最小化的損失函數。最常用的值有：
- binary:logistic 二分類的邏輯回歸，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，你還需要多設一個參數：num_class(類別數目)。
- multi:softprob 和multi:softmax參數一樣，但是返回的是每個數據屬于各個類別的概率。
2、eval_metric[默認值取決于objective參數的取值]
- 對于有效數據的度量方法。
- 對于回歸問題，默認值是rmse，對于分類問題，默認值是error。
- 典型值有：
- rmse 均方根誤差(∑Ni=1?2N￣￣￣￣￣￣￣√)
- mae 平均絕對誤差(∑Ni=1|?|N)
- logloss 負對數似然函數值
- error 二分類錯誤率(閾值為0.5)
- merror 多分類錯誤率
- mlogloss 多分類logloss損失函數
- auc 曲線下面積
3、seed(默認0)
- 隨機數的種子
- 設置它可以復現隨機數據的結果，也可以用于調整參數
如果你之前用的是Scikit-learn,你可能不太熟悉這些參數。但是有個好消息，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：
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類似的參數。XGBClassifier中確實有一個類似的參數，但是，是在標準XGBoost實現中調用擬合函數時，把它作為num_boosting_rounds參數傳入。
XGBoost Guide 的一些部分是我強烈推薦大家閱讀的，通過它可以對代碼和參數有一個更好的了解：
XGBoost Parameters (official guide)
XGBoost Demo Codes (xgboost GitHub repository)
Python API Reference (official guide)
6. 調參示例
我們從Data Hackathon 3.x AV版的hackathon中獲得數據集，和GBM 介紹文章中是一樣的。更多的細節可以參考competition page
數據集可以從這里下載。我已經對這些數據進行了一些處理：
- City變量，因為類別太多，所以刪掉了一些類別。
- DOB變量換算成年齡，并刪除了一些數據。
- 增加了 EMI_Loan_Submitted_Missing 變量。如果EMI_Loan_Submitted變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的EMI_Loan_Submitted變量。
- EmployerName變量，因為類別太多，所以刪掉了一些類別。
- 因為Existing_EMI變量只有111個值缺失，所以缺失值補充為中位數0。
- 增加了 Interest_Rate_Missing 變量。如果Interest_Rate變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的Interest_Rate變量。
- 刪除了Lead_Creation_Date，從直覺上這個特征就對最終結果沒什么幫助。
- Loan_Amount_Applied, Loan_Tenure_Applied 兩個變量的缺項用中位數補足。
- 增加了 Loan_Amount_Submitted_Missing 變量。如果Loan_Amount_Submitted變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的Loan_Amount_Submitted變量。
- 增加了 Loan_Tenure_Submitted_Missing 變量。如果 Loan_Tenure_Submitted 變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的 Loan_Tenure_Submitted 變量。
- 刪除了LoggedIn, Salary_Account 兩個變量
- 增加了 Processing_Fee_Missing 變量。如果 Processing_Fee 變量的數據缺失，則這個參數的值為1。否則為0。刪除了原先的 Processing_Fee 變量。
- 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)。
如果你有原始數據，可以從資源庫里面下載data_preparation的Ipython notebook 文件，然后自己過一遍這些步驟。
首先，import必要的庫，然后加載數據。
#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。
在向下進行之前，我們先定義一個函數，它可以幫助我們建立XGBoost models 并進行交叉驗證。好消息是你可以直接用下面的函數，以后再自己的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[]) #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')這個函數和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，而不是寫代碼。如果哪里有不理解的地方，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()函數有相同的功能。
6.1 參數調優的一般方法
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。
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 參數調優的估計器數目
為了確定boosting參數，我們要先給其它參數一個初始值。咱們先按如下方法取值：
1、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。
2、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。
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。這個參數后繼也是要調整的。
4、subsample, colsample_bytree = 0.8: 這個是最常見的初始值了。典型值的范圍在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。
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，當然這也取決于你的系統的性能。
注意：在AUC(test)這里你可以看到測試集的AUC值。但是如果你在自己的系統上運行這些命令，并不會出現這個值。因為數據并不公開。這里提供的值僅供參考。生成這個值的代碼部分已經被刪掉了。
第二步： max_depth 和 min_weight 參數調優
我們先對這兩個參數調優，是因為它們對最終結果有很大的影響。首先，我們先大范圍地粗調參數，然后再小范圍地微調。
注意：在這一節我會進行高負荷的柵格搜索(grid search)，這個過程大約需要15-30分鐘甚至更久，具體取決于你系統的性能。你也可以根據自己系統的性能選擇不同的值。
至此，我們對于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。我們把上下范圍各拓展1，因為之前我們進行組合的時候，參數調整的步長是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=, 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_至此，我們得到max_depth的理想取值為4，min_child_weight的理想取值為6。同時，我們還能看到cv的得分有了小小一點提高。需要注意的一點是，隨著模型表現的提升，進一步提升的難度是指數級上升的，尤其是你的表現已經接近完美的時候。當然啦，你會發現，雖然min_child_weight的理想取值是6，但是我們還沒嘗試過大于6的取值。像下面這樣，就可以嘗試其它值。
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=, 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[predictors],train[target]) modelfit(gsearch3.best_estimator_, train, predictors) gsearch2b.grid_scores_, gsearch2b.best_params_, gsearch2b.best_score_我們可以看出，6確確實實是理想的取值了。
第三步：gamma參數調優
在已經調整好其它參數的基礎上，我們可以進行gamma參數的調優了。Gamma參數取值范圍可以很大，我這里把取值范圍設置為5了。你其實也可以取更精確的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[predictors],train[target]) gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_從這里可以看出來，我們在第一步調參時設置的初始gamma值就是比較合適的。也就是說，理想的gamma值為0。在這個過程開始之前，最好重新調整boosting回合，因為參數都有變化。
從這里，可以看出，得分提高了。所以，最終得到的參數是：
第四步：調整subsample 和 colsample_bytree 參數
下一步是嘗試不同的subsample 和 colsample_bytree 參數。我們分兩個階段來進行這個步驟。這兩個步驟都取0.6,0.7,0.8,0.9作為起始值。
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[predictors],train[target]) gsearch4.grid_scores_, gsearch4.best_params_, gsearch4.best_score_從這里可以看出來，subsample 和 colsample_bytree 參數的理想取值都是0.8。現在，我們以0.05為步長，在這個值附近嘗試取值。
param_test5 = {'subsample':[i/100.0 for i in range(75,90,5)],'colsample_bytree':[i/100.0 for i in range(75,90,5)] } gsearch5 = 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, objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), param_grid = param_test5, scoring='roc_auc',n_jobs=4,iid=False, cv=5) gsearch5.fit(train[predictors],train[target])我們得到的理想取值還是原來的值。因此，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降低過擬合。由于gamma函數提供了一種更加有效地降低過擬合的方法，大部分人很少會用到這個參數。但是我們在這里也可以嘗試用一下這個參數。我會在這里調整’reg_alpha’參數，然后’reg_lambda’參數留給你來完成。
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[predictors],train[target]) gsearch6.grid_scores_, gsearch6.best_params_, gsearch6.best_score_我們可以看到，相比之前的結果，CV的得分甚至還降低了。但是我們之前使用的取值是十分粗糙的，我們在這里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[predictors],train[target]) gsearch7.grid_scores_, gsearch7.best_params_, gsearch7.best_score_可以看到，CV的得分提高了。現在，我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=,max_depth=,min_child_weight=,gamma=,subsample=0.8,colsample_bytree=0.8,reg_alpha=0.005,objective= 'binary:logistic',nthread=,scale_pos_weight=,seed=) modelfit(xgb3, train, predictors)然后我們發現性能有了小幅度提高。
第6步：降低學習速率
最后，我們使用較低的學習速率，以及使用更多的決策樹。我們可以用XGBoost中的CV函數來進行這一步工作。
xgb4 = XGBClassifier(learning_rate =0.01,n_estimators=,max_depth=,min_child_weight=,gamma=,subsample=0.8,colsample_bytree=0.8,reg_alpha=0.005,objective= 'binary:logistic',nthread=,scale_pos_weight=,seed=) modelfit(xgb4, train, predictors)至此，你可以看到模型的表現有了大幅提升，調整每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：
1、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升是不可能的。GBM的最高得分是0.8487，XGBoost的最高得分是0.8494。確實是有一定的提升，但是沒有達到質的飛躍。
2、要想讓模型的表現有一個質的飛躍，需要依靠其他的手段，諸如，特征工程(feature egineering) ，模型組合(ensemble of model),以及堆疊(stacking)等。
你可以從 這里 下載iPython notebook文件，里面包含了文章中提到的所有代碼。如果你使用R語言，請閱讀這篇文章。
結束語
這篇文章主要講了如何提升XGBoost模型的表現。首先，我們介紹了相比于GBM，為何XGBoost可以取得這么好的表現。緊接著，我們介紹了每個參數的細節。我們定義了一個可以重復使用的構造模型的函數。
最后，我們討論了使用XGBoost解決問題的一般方法，在AV Data Hackathon 3.x problem數據上實踐了這些方法。
希望看過這篇文章之后，你能有所收獲，下次使用XGBoost解決問題的時候可以更有信心哦~
?
?
原文地址：Complete Guide to Parameter Tuning in XGBoost by Aarshay Jain
原文翻譯與校對：@MOLLY && 寒小陽 (hanxiaoyang.ml@gmail.com)
時間：2016年9月。
出處：http://blog.csdn.net/han_xiaoyang/article/details/52665396
聲明：版權所有，轉載請聯系作者并注明出
總結
以上是生活随笔為你收集整理的[机器学习] XGBoost参数调优完全指南（附Python代码）的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 消息称佳能下周发布两机两镜，含全画幅入门
- 下一篇： Python+Opencv实现自动化阅卷