XGBoostpython调参⽰例
1. 简介
如果你的预测模型表现得有些不尽如⼈意，那就⽤XGBoost吧。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。
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。
2. 你需要知道的
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，，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。
特别鸣谢：我个⼈⼗分感谢Mr Sudalai Rajkumar (aka SRK)⼤神的⽀持，⽬前他在AV Rank中位列第⼆。如果没有他的帮助，就没有这篇⽂章。在他的帮助下，我们才能给⽆数的数据科学家指点迷津。给他⼀个⼤⼤的赞！
3. 内容列表
1、XGBoost的优势
2、理解XGBoost的参数
3、调参⽰例
4. 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：
4.1 正则化
惠普电脑怎么开机标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减少过拟合也是有帮助的。
实际上，XGBoost以“正则化提升(regularized boosting)”技术⽽闻名。
4.2 并⾏处理
XGBoost可以实现并⾏处理，相⽐GBM有了速度的飞跃。
不过，众所周知，Boosting算法是顺序处理的，它怎么可能并⾏呢？每⼀课树的构造都依赖于前⼀棵树，那具体是什么让我们能⽤多核处理器去构造⼀个树呢？我希望你理解了这句话的意思。如果你希望了解更多，点击这个。
XGBoost 也⽀持Hadoop实现。
4.3 ⾼度的灵活性
XGBoost 允许⽤户定义⾃定义优化⽬标和评价标准
它对模型增加了⼀个全新的维度，所以我们的处理不会受到任何限制。
4.4 缺失值处理
XGBoost内置处理缺失值的规则。
⽤户需要提供⼀个和其它样本不同的值，然后把它作为⼀个参数传进去，以此来作为缺失值的取值。XGBoost在不同节点遇到缺失值时采⽤不同的处理⽅法，并且会学习未来遇到缺失值时的处理⽅法。
4.5 剪枝
当分裂时遇到⼀个负损失时，GBM会停⽌分裂。因此GBM实际上是⼀个贪⼼算法。
XGBoost会⼀直分裂到指定的最⼤深度(max_depth)，然后回过头来剪枝。如果某个节点之后不再有正值，它会去除这个分裂。
这种做法的优点，当⼀个负损失（如-2）后⾯有个正损失（如+10）的时候，就显现出来了。GBM会在-2处停下来，因为它遇到了⼀个负值。但是XGBoost会继续分裂，然后发现这两个分裂综合起来会得到+8，因此会保留这两个分裂。
4.6 内置交叉验证
XGBoost允许在每⼀轮boosting迭代中使⽤交叉验证。因此，可以⽅便地获得最优boosting迭代次数。
⽽GBM使⽤⽹格搜索，只能检测有限个值。
4.7、在已有的模型基础上继续
XGBoost可以在上⼀轮的结果上继续训练。这个特性在某些特定的应⽤上是⼀个巨⼤的优势。
sklearn中的GBM的实现也有这个功能，两种算法在这⼀点上是⼀致的。
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：
[Viedo]
5. XGBoost的参数
XGBoost的作者把所有的参数分成了三类：
1. 通⽤参数：宏观函数控制。
2. Booster参数：控制每⼀步的booster(tree/regression)。
3. 学习⽬标参数：控制训练⽬标的表现。
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。
5.1 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。
还有两个参数，XGBoost会⾃动设置，⽬前你不⽤管它。接下来咱们⼀起看booster参数。
5.2 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[默认0.3]
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[默认1]
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[默认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
树上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的树最多⽣成个叶⼦。
如果定义了这个参数，GBM会忽略max_depth参数。
5、gamma[默认0]
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。
土地法全文6、max_delta_step[默认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[默认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[默认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)。
怎样做宫保鸡丁典型值：0.5-1
梦见工地施工现场9、colsample_bylevel[默认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[默认1]
权重的L2正则化项。(和Ridge regression类似)。
这个参数是⽤来控制XGBoost的正则化部分的。虽然⼤部分数据科学家很少⽤到这个参数，但是这个参数在减少过拟合上还是可以挖掘出更多⽤处的。
气得
11、alpha[默认1]
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。
12、scale_pos_weight[默认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。
5.3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[默认reg:linear]
这个参数定义需要被最⼩化的损失函数。最常⽤的值有：
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rm，对于分类问题，默认值是error。
典型值有：
rm 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、ed(默认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
项羽典故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。
知足的句子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：
6. 调参⽰例
我们从Data Hackathon 3.x AV版的hackathon中获得数据集，和中是⼀样的。更多的细节可以参考
数据集可以从下载。我已经对这些数据进⾏了⼀些处理：
City变量，因为类别太多，所以删掉了⼀些类别。
DOB变量换算成年龄，并删除了⼀些数据。
增加了 EMI_Loan_Submitted_Missing 变量。如果EMI_Loan_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的EMI_Loan_Submitted变量。
EmployerName变量，因为类别太多，所以删掉了⼀些类别。
因为Existing_EMI变量只有111个值缺失，所以缺失值补充为中位数0。
增加了 Interest_Rate_Missing 变量。如果Interest_Rate变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Interest_Rate变量。
周国删除了Lead_Creation_Date，从直觉上这个特征就对最终结果没什么帮助。
Loan_Amount_Applied, Loan_Tenure_Applied 两个变量的缺项⽤中位数补⾜。
增加了 Loan_Amount_Submitted_Missing 变量。如果Loan_Amount_Submitted变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的Loan_Amount_Submitted变量。
增加了 Loan_Tenure_Submitted_Missing 变量。如果 Loan_Tenure_Submitted 变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的 Loan_Tenure_Submitted 变量。
删除了LoggedIn, Salary_Account 两个变量
增加了 Processing_Fee_Missing 变量。如果 Processing_Fee 变量的数据缺失，则这个参数的值为1。否则为0。删除了原先的
Processing_Fee 变量。
Source前两位不变，其它分成不同的类别。
进⾏了离散化和独热编码(⼀位有效编码)。
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。
