XGBoost调参指南

2020-03-14  本文已影响0人  井底蛙蛙呱呱呱

本文内容结构主要参考Complete Guide to Parameter Tuning in XGBoost with codes in Python 及其 中文翻译 XGBoost参数调优完全指南。由于参考博客代码部分api已经更新，因此对部分代码进行了更新。

简介

XGBoost算法现在已经成为很多数据工程师的重要武器。它是一种十分精致的算法，可以处理各种不规则的数据，常年在kaggle中大杀四方。

构造一个使用XGBoost的模型十分简单。但是，提高这个模型的表现就有些困难(至少我觉得十分纠结)。这个算法使用了好几个参数。所以为了提高模型的表现，参数的调整十分必要。在解决实际问题的时候，有些问题是很难回答的——你需要调整哪些参数？这些参数要调到什么值，才能达到理想的输出？

这篇文章最适合刚刚接触XGBoost的人阅读。在这篇文章中，我们会学到参数调优的技巧，以及XGboost相关的一些有用的知识。以及，我们会用Python在一个数据集上实践一下这个算法。

XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一个优化的版本。因为我在前一篇文章——基于Python的Gradient Boosting算法参数调整完全指南
，里面已经涵盖了Gradient Boosting算法的很多细节了。我强烈建议大家在读本篇文章之前，把那篇文章好好读一遍。它会帮助你对Boosting算法有一个宏观的理解，同时也会对GBM的参数调整有更好的体会。

内容列表

1、XGBoost 的优势
2、理解XGBoost的参数
3、调参实例

1、XGBoost 的优势

XGBoost算法可以给预测模型带来能力的提升。当我对它的表现有更多了解的时候，当我对它的高准确率背后的原理有更多了解的时候，我发现它具有很多优势：

1.1 正则化
1.2 并行处理
1.3 高度的灵活性
1.4 缺失值处理
1.5 剪枝
1.6 内置交叉验证

需要注意的是在xgboost中迭代次数指的是树的棵树。这与我们广义上的迭代次数是不同的。

1.7 在已有的模型基础上继续

相信你已经对XGBoost强大的功能有了点概念。注意这是我自己总结出来的几点，你如果有更多的想法，尽管在下面评论指出，我会更新这个列表的！

你的胃口被我吊起来了吗？棒棒哒！如果你想更深入了解相关信息，可以参考下面这些文章：

2、XGBoost 的参数

XGBoost的作者把所有的参数分成了三类：

在这里我会类比GBM来讲解，所以作为一种基础知识，强烈推荐先阅读这篇文章。

2.1 通用参数

这些参数用来控制XGBoost的宏观功能。

  1. booster[默认gbtree]
    选择每次迭代的模型，有两种选择：

    • gbtree：基于树的模型；
    • gbliner：线性模型。

  2. silent[默认0]

    • 当这个参数值为1时，静默模式开启，不会输出任何信息。
    • 一般这个参数就保持默认的0，因为这样能帮我们更好地理解模型。

  3. nthread[默认值为最大可能的线程数]

    • 这个参数用来进行多线程控制，应当输入系统的核数。
    • 如果你希望使用CPU全部的核，那就不要输入这个参数，算法会自动检测它。

2.2 booster参数

尽管有两种booster可供选择，我这里只介绍tree booster，因为它的表现远远胜过linear booster，所以linear booster很少用到。

  1. eta[default=0.3, alias: learning_rate]
    类似于神经网络中的学习率，但这里eta（论文中是shrinkage的意思）的作用是限制每棵树学到的东西大小，以让更多的树来进行学习。

    • 和GBM中的 learning rate 参数类似。
    • 通过减少每一步的权重，可以提高模型的鲁棒性。
    • 典型值为0.01-0.2。

  2. min_child_weight [default=1]
    最小叶子节点中样本的权重和，有点类似与随机森林中的最小叶子节点样本数，设置大点有防止过拟合的作用。

    • 决定最小叶子节点样本权重和。
    • 和GBM的 min_child_leaf 参数类似，但不完全一样。XGBoost的这个参数是最小样本权重的和，而GBM参数是最小样本总数。
    • 这个参数用于避免过拟合。当它的值较大时，可以避免模型学习到局部的特殊样本。
    • 但是如果这个值过高，会导致欠拟合。这个参数需要使用CV来调整。

  3. max_depth [default=6]
    和GBM中的参数相同，这个值为树的最大深度。

    • 这个值也是用来避免过拟合的。max_depth越大，模型会学到更具体更局部的样本。
    • 需要使用CV函数来进行调优。
    • 典型值：3-10

  4. max_leaf_nodes
    每棵树最大的节点或叶子的数量。

    • 可以替代max_depth的作用。因为如果生成的是二叉树，一个深度为n的树最多生成n2个叶子。
    • 如果定义了这个参数，GBM会忽略max_depth参数。

  5. gamma [default=0, alias: min_split_loss]
    可以理解为一般决策树中分裂时候熵（或基尼系数）减少的量，大于这个量才进行分裂。

    • 在节点分裂时，只有分裂后损失函数的值下降了，才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。
    • 这个参数的值越大，算法越保守。这个参数的值和损失函数息息相关，所以是需要调整的。

  6. max_delta_step [default=0]

    • 这参数限制每棵树权重改变的最大步长。如果这个参数的值为0，那就意味着没有约束。如果它被赋予了某个正值，那么它会让这个算法更加保守。
    • 通常，这个参数不需要设置。但是当各类别的样本十分不平衡时，它对逻辑回归是很有帮助的。
    • 这个参数一般用不到，但是你可以挖掘出来它更多的用处。

  7. subsample [default=1]

    • 和GBM中的subsample参数一模一样。这个参数控制对于每棵树，随机采样的比例。
    • 减小这个参数的值，算法会更加保守，避免过拟合。但是，如果这个值设置得过小，它可能会导致欠拟合。
    • 典型值：0.5-1。

  8. colsample_bytree [default=1]

    • 和GBM里面的max_features参数类似。用来控制每棵随机采样的列数的占比(每一列是一个特征)。
    • 典型值：0.5-1

  9. colsample_bylevel [default=1]

    • 用来控制树的每一级的每一次分裂，对列数的采样的占比。
    • 我个人一般不太用这个参数，因为subsample参数和colsample_bytree参数可以起到相同的作用。但是如果感兴趣，可以挖掘这个参数更多的用处。

  10. lambda [default=1, alias: reg_lambda]
    权重的L2正则化项。(和Ridge regression类似)。

  1. alpha [default=0, alias: reg_alpha]

    • 权重的L1正则化项。(和Lasso regression类似)。
    • 可以应用在很高维度的情况下，使得算法的速度更快。

  2. scale_pos_weight [default=1]

    • 在各类别样本十分不平衡时，把这个参数设定为一个正值，可以使算法更快收敛。
    • 通常可以将其设置为负样本的数目与正样本数目的比值。

2.3 学习目标参数

这个参数用来控制理想的优化目标和每一步结果的度量方法。

  1. objective [default=reg:squarederror]
    这个参数定义需要被最小化的损失函数。最常用的值有：

    • reg:squarederror 均方误差的回归预测。
    • binary:logistic 二分类的逻辑回归，返回预测的概率(不是类别)。
    • multi:softmax 使用softmax的多分类器，返回预测的类别(不是概率)。
      • 在这种情况下，你还需要多设一个参数：num_class(类别数目)。
    • multi:softprob 和multi:softmax参数一样，但是返回的是每个数据属于各个类别的概率。

  2. eval_metric [默认值取决于objective参数的取值]

    • 对于有效数据的度量方法。
    • 对于回归问题，默认值是rmse，对于分类问题，默认值是error。
    • 典型值有：
      • rmse 均方根误差
      • mae 平均绝对误差
      • logloss 负对数似然函数值
      • error 二分类错误率(阈值为0.5)
      • merror 多分类错误率
      • mlogloss 多分类logloss损失函数
      • auc 曲线下面积

  3. seed [default=0]

    • 随机数的种子
    • 设置它可以复现随机数据的结果，也可以用于调整参数

如果你之前用的是Scikit-learn,你可能不太熟悉这些参数。但是有个好消息，python的XGBoost模块有一个sklearn包，XGBClassifier。这个包中的参数是按sklearn风格命名的。会改变的函数名是：

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

你肯定在疑惑为啥咱们没有介绍和GBM中的n_estimators类似的参数。XGBClassifier中确实有一个类似的参数，但是，是在标准XGBoost实现中调用拟合函数时，把它作为num_boosting_rounds参数传入。

XGBoost Guide 的一些部分是我强烈推荐大家阅读的，通过它可以对代码和参数有一个更好的了解：

XGBoost Parameters (official guide)
XGBoost Demo Codes (xgboost GitHub repository)
Python API Reference (official guide)

3、调参示例

我们从Data Hackathon 3.x AV版的hackathon中获得数据集，和GBM 介绍文章中是一样的。更多的细节可以参考competition page
数据集可以从这里下载。我已经对这些数据进行了一些处理：

如果你有原始数据，可以从资源库里面下载data_preparation的Ipython notebook 文件，然后自己过一遍这些步骤。

首先，import必要的库，然后加载数据。

%matplotlib inline

import pandas as pd
import numpy as np
import xgboost as xgb
from xgboost.sklearn import XGBClassifier
# 也可以直接下面这样，两个接口用法基本都是一样的
# from xgboost import XGBClassifier
from sklearn import  metrics
from sklearn.model_selection import GridSearchCV, train_test_split

import matplotlib.pyplot as plt
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。
在向下进行之前，我们先定义一个函数，它可以帮助我们建立XGBoost models 并进行交叉验证。好消息是你可以直接用下面的函数，以后再自己的models中也可以使用它。

def modelfit(alg, dtrain, predictor, useTrainCV=True, cv_folds=5,
            early_stopping_rounds=200):
    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,
                          verbose_eval=False, show_stdv=True)
        alg.set_params(n_estimators=cvresult.shape[0])
        # 最佳 n_estimators数，也即树的棵树
        print(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.get_booster().get_fscore()).sort_values(ascending=False)
    feat_imp.plot(kind='bar', title='Feature Importance')
    plt.ylabel('Feature Importance Score')
    return cvresult

Python中的xgboost可以通过get_fscore和get_score获取特征重要性，其中特征重要性有多种度量方法,先看看官方对于这个方法的说明:
Get feature importance of each feature. Importance type can be defined as:

  • ‘weight’: the number of times a feature is used to split the data across all trees.
  • ‘gain’: the average gain across all splits the feature is used in.
  • ‘cover’: the average coverage across all splits the feature is used in.
  • ‘total_gain’: the total gain across all splits the feature is used in.
  • ‘total_cover’: the total coverage across all splits the feature is used in.

get_fscore应该是重要性度量为gain的返回值，而get_score则有多种重要性衡量方法。
更详细的说明可以参考xgboost特征重要性指标: weight, gain, cover

3.1 参数调优的一般方法

我们会使用和GBM中相似的方法。需要进行如下步骤：

下面一起详细地一步步进行这些操作。

第一步：确定学习速率和tree_based 参数调优的估计器数目

为了确定boosting参数，我们要先给其它参数一个初始值。咱们先按如下方法取值：

  1. 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。

  2. 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。

  3. 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。

  4. 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。

  5. scale_pos_weight = 1: 这个值是因为类别十分不平衡。

请注意，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。

# 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=20,
                   scale_pos_weight=1,
                   seed=27)

res = modelfit(xgb1, train, predictors)
image.png

从输出结果可以看出，在学习速率为0.1时，理想的决策树数目是123。这个数字对你而言可能比较高，当然这也取决于你的系统的性能。

第二步： max_depth 和 min_weight 参数调优

我们先对这两个参数调优，是因为它们对最终结果有很大的影响。首先，我们先大范围地粗调参数，然后再小范围地微调。
注意：在这一节我会进行高负荷的栅格搜索(grid search)，这个过程大约需要15-30分钟甚至更久，具体取决于你系统的性能。你也可以根据自己系统的性能选择不同的值。

这里先写个函数来更好的输出gridsearch的结果：

def parse_cvres(cv_res, rank_method=0):
    """以更好看的方式输出cv result.
    rank_method: 0表示按均值排序，1表示按方差排序
    """
    params_score = []
    for rank in cv_res['rank_test_score']:
        mean = round(cv_res['mean_test_score'][rank-1], 4)
        std = round(cv_res['std_test_score'][rank-1], 4)
        params = cv_res['params'][rank-1]
        params_score.append([mean, std, params])
    
    params_score = sorted(params_score, key=lambda x:x[rank_method],reverse=True)
    for mean, std, params in params_score:
        print(f"mean: {mean}, std: {std}, params: {params}")

网格搜索参数:

# Step 2: Tune max_depth and min_child_weight
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=123,
        gamma=0, subsample=0.8,
        colsample_bytree=0.8, objective='binary:logistic',
        nthread=20, 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])
print(gsearch1.best_params_, gsearch1.best_score_)
parse_cvres(gsearch1.cv_results_)

至此，我们对于数值进行了较大跨度的12中不同的排列组合，可以看出理想的max_depth值为5，理想的min_child_weight值为1。在这个值附近我们可以再进一步调整，来找出理想值。我们把上下范围各拓展1，因为之前我们进行组合的时候，参数调整的步长是2。

param_test2 = {
    'max_depth': [4,5,6],
    'min_child_weight': [0,1,2]
}

gsearch2 = GridSearchCV(
    estimator=XGBClassifier(
        learning_rate=0.1, n_estimators=123, gamma=0, subsample=0.8,
        colsample_bytree=0.8, objective='binary:logistic',
        nthread=20, scale_pos_weight=1, seed=27),
    param_grid=param_test1, scoring='roc_auc', n_jobs=4,
    iid=False, cv=5)

gsearch2.fit(train[predictors], train[target])
print(gsearch2.best_params_, gsearch2.best_score_)
parse_cvres(gsearch2.cv_results_)

至此，我们得到max_depth的理想取值为5，min_child_weight的理想取值为1。同时，我们还能看到cv的得分有了小小一点提高。需要注意的一点是，随着模型表现的提升，进一步提升的难度是指数级上升的，尤其是你的表现已经接近完美的时候。

第三步：gamma参数调优

在已经调整好其它参数的基础上，我们可以进行gamma参数的调优了。Gamma参数取值范围可以很大，我这里把取值范围设置为0~0.5了。你其实也可以取更精确的gamma值。

# Step 3: Tune gamma

param_test3 = {
 'gamma':[i/10.0 for i in range(0,5)]
}

gsearch3 = GridSearchCV(
    estimator = XGBClassifier(
        learning_rate =0.1, n_estimators=123, 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_test3, scoring='roc_auc',n_jobs=4,iid=False, cv=5)

gsearch3.fit(train[predictors],train[target])
print(gsearch3.best_params_, gsearch3.best_score_)

parse_cvres(gsearch3.cv_results_)

从这里可以看出来，我们在第一步调参时设置的初始gamma值就是比较合适的。也就是说，理想的gamma值为0。在这个过程开始之前，最好重新调整boosting回合，也即n_estimators数量，因为参数都有变化。 
xgb2 = 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=20,
                     scale_pos_weight=1,
                     seed=27)
modelfit(xgb2, train, predictors)

跟最初没有变化，有点小尴尬，不过这只是练习。

第四步：调整subsample和 colsample_bytree 参数

下一步是尝试不同的subsample 和 colsample_bytree 参数。我们分两个阶段来进行这个步骤。这两个步骤都取0.6,0.7,0.8,0.9作为起始值。

# Step 4: Tune subsample and colsample_bytree

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=5,
        min_child_weight=1, gamma=0, objective= 'binary:logistic', 
        nthread=20, scale_pos_weight=1,seed=27), 
        param_grid = param_test4, scoring='roc_auc',
        n_jobs=-1, iid=False, cv=5)

gsearch4.fit(train[predictors],train[target])
print(gsearch4.best_params_, gsearch4.best_score_)
parse_cvres(gsearch4.cv_results_)

从这里可以看出来，subsample 和 colsample_bytree 参数的理想取值分别是0.8和0.9。现在，我们以0.05为步长，在这个值附近尝试取值。 
param_test5 = {
    'subsample': [i/100.0 for i in range(75,90,5)],
    'colsample_bytree': [i/100.0 for i in range(85,100,5)]
}
gsearch5 = GridSearchCV(
    estimator = XGBClassifier( 
        learning_rate =0.1, n_estimators=123, max_depth=5,
        min_child_weight=1, gamma=0, objective= 'binary:logistic', 
        nthread=20, scale_pos_weight=1, seed=27), 
        param_grid = param_test5, scoring='roc_auc',n_jobs=-1,iid=False, cv=5)

gsearch5.fit(train[predictors],train[target])
print(gsearch5.best_params_, gsearch5.best_score_)
parse_cvres(gsearch5.cv_results_)

最佳取值发生了一点点小变化，最终取值是：

第五步：正则化参数调优

下一步是应用正则化来降低过拟合。由于gamma函数提供了一种更加有效地降低过拟合的方法，大部分人很少会用到这个参数。但是我们在这里也可以尝试用一下这个参数。我会在这里调整reg_alpha参数，然后reg_lambda参数留给你来完成。

param_test6 = {
    'reg_alpha':[0, 1e-5, 1e-2, 0.1, 1, 100]
}

gsearch6 = GridSearchCV(
    estimator = XGBClassifier( 
        learning_rate =0.1, n_estimators=123, max_depth=5,
        min_child_weight=1, gamma=0, subsample=0.85, colsample_bytree=0.95,
        objective= 'binary:logistic', nthread=20, scale_pos_weight=1,seed=27), 
        param_grid = param_test6, scoring='roc_auc',n_jobs=-1,iid=False, cv=5)

gsearch6.fit(train[predictors],train[target])

print(gsearch6.best_params_, gsearch6.best_score_)
parse_cvres(gsearch6.cv_results_)

我们可以看到，相比之前的结果，CV的得分甚至还降低了。但是我们之前使用的取值是十分粗糙的，我们在这里选取一个比较靠近理想值(0.01)的取值，来看看是否有更好的表现。

param_test7 = {
    'reg_alpha':[1e-6, 1e-5, 1e-4]
}

gsearch7 = GridSearchCV(
    estimator = XGBClassifier( 
        learning_rate =0.1, n_estimators=123, max_depth=5,
        min_child_weight=1, gamma=0, subsample=0.85, colsample_bytree=0.95,
        objective= 'binary:logistic', nthread=20, scale_pos_weight=1,seed=27), 
        param_grid = param_test7, scoring='roc_auc',n_jobs=-1,iid=False, cv=5)

gsearch7.fit(train[predictors],train[target])

print(gsearch7.best_params_, gsearch7.best_score_)
parse_cvres(gsearch7.cv_results_)
第6步：降低学习速率

最后，我们使用较低的学习速率，以及使用更多的决策树。我们可以用XGBoost中的CV函数来进行这一步工作。

# Step 6: Reducing Learning Rate
xgb3 = XGBClassifier(learning_rate =0.01,
                     n_estimators=5000,
                     max_depth=5,
                     min_child_weight=1,
                     gamma=0,
                     subsample=0.85,
                     colsample_bytree=0.95,
                     reg_alpha=0.0001,
                     objective= 'binary:logistic',
                     nthread=20,
                     scale_pos_weight=1,
                     seed=27)

modelfit(xgb3, train, predictors)

至此，你可以看到模型的表现有了小幅提升，调整每个参数带来的影响也更加清楚了。
在文章的末尾，我想分享两个重要的思想：

你可以从 这里 下载iPython notebook文件，里面包含了文章中提到的所有代码。如果你使用R语言，请阅读这篇文章。

结束语

这篇文章主要讲了如何提升XGBoost模型的表现。首先，我们介绍了相比于GBM，为何XGBoost可以取得这么好的表现。紧接着，我们介绍了每个参数的细节。我们定义了一个可以重复使用的构造模型的函数。
最后，我们讨论了使用XGBoost解决问题的一般方法，在AV Data Hackathon 3.x problem数据上实践了这些方法。

总结一下，XGBoost调参指南：

希望看过这篇文章之后，你能有所收获，下次使用XGBoost解决问题的时候可以更有信心。

参考：
Complete Guide to Parameter Tuning in XGBoost
XGBoost参数调优完全指南
XGBoost Parameters 官方文档
XGBoost Python Package 官方文档
XGBoost Python Example 官方示例

上一篇下一篇

猜你喜欢

热点阅读