xgboost原理（无推导就轻易理解）

一、模型训练过程

贪心优化算法。多颗决策树串行训练，第一棵树拟合训练目标、第二颗树拟合前面的残差、第三棵树拟合前两棵树留下的残差。

1、残差来源：

（1）第k颗树训练时，行采样+列采样（即仅有部分样本、部分特征进入树中进行训练）进入树，决策树按照最大信息增益原则选择分裂特征、分裂点进行分裂；

（2）最终分裂完成之后，每个叶子节点上的分数由该叶子上的所有样本Y标签分布决定，如某叶子节点上正负样本比例：5：1，则该叶子节点分数为0.2（回归问题时为y均值，二分类时也为y均值/bad_rate）；

（3）训练完成后，用前k颗树预测所有样本得到y^，y-y^即为前k颗树留下的残差（即第k+1棵树的训练目标，此处假设学习速率为1）

上图中，落到绿色子节点的样本预测概率【0，49/54，5/54】，即属于第一类的概率为0、第二类的概率为49/54、第二类的概率为5/54

2、学习速率/步长

用来指定每棵树的学习步长，在1.中得到了下一颗树的训练目标（残差），以残差为目标在进行完一次迭代后/每训练完一棵树，会将叶子节点的分数*学习速率，主要是为了削弱每棵树的影响，让后面有更大的学习空间、实现小步迭代的思路。注：默认情况下学习速率0.2

二、模型预测过程

每棵树的预测结果相加得到最终的预测结果

三、目标函数：损失函数 + 正则项

·目标函数：模型训练的优化目标

·损失函数：用来衡量模型的预测效果

（1）对于回归问题，常用的损失函数是MSE

（2）对于分类问题，常用的损失函数是对数损失函数

·正则项：用于控制复杂程度（alpha为L1正则项参数，lambda为L2正则项参数）

（1）T表示叶子结点的个数，w表示叶子节点的分数向量，γ可以控制叶子结点的个数，λ可以控制叶子节点的分数不会过大，防止过拟合。

（2）叶子节点越多、模型越复杂、w的平方越大

四、XGB与GBDT的区别

1、泰勒二阶展开：GBDT只将目标函数泰勒展开到一阶，而xgboost对代价函数进行了二阶泰勒展开来近似模拟正式的损失函数、方便求解，支持自定义损失函数，只要函数可一阶和二阶求导。

2、加入正则项：xgboost在代价函数里加入了正则项，用于控制模型的复杂度。正则项里包含了树的叶子节点个数、每个叶子节点上输出的score的L2模的平方和。从Bias-variance tradeoff角度来讲，正则项降低了模型的variance，使学习出来的模型更加简单，防止过拟合。

3、增加自动处理缺失值：

（1）训练时，若特征m存在空值，当树按照特征m分裂时，先不考虑空值、按照m有值的序列选择最优分裂点进行分裂，然后再分别将空值样本带入左子节点和右子节点，计算两侧信息增益，保留整体信息增益较大的分裂方向，预测时空值样本也按照该方向进行分裂；

（2）训练时特征无空值，预测时空值样本默认分裂到左侧子节点

4、支持并行、多线程：xgboost的并行不是tree粒度的并行，而是在特征粒度上的，各个特征的增益计算就可以开多线程进行。

5、支持列抽样：xgboost借鉴了随机森林的做法，支持列抽样，不仅能降低过拟合，还能减少计算。

6、传统GBDT以CART作为基分类器，xgboost还支持线性分类器，这个时候xgboost相当于带L1和L2正则化项的逻辑斯蒂回归（分类问题）或者线性回归（回归问题）。

五、重要参数

params={'objective':'binary:logistic','eval_metric':'auc','booster': 'gbtree', #树模型'silent': 1, #是否打印'eta':0.3, #学习速率'num_boost_round': 100, #迭代次数'gamma':0, # 节点分裂所需的最先损失下降(惩罚项）'max_depth': 6, #树分裂最大深度,'min_child_weight' :100, #最小叶子节点样本权重和，调大减小过拟合，过高会欠拟合'subsample' : 1, #行采样'colsample_bytree' : 1, #列采样,单颗树进行列采样'colsample_bylevel' : 1, #列采样,子树的每层进行列采样'seed': 0, #随机种子，固定行、列采样'lambda':1, #权重的L1正则化项 'alpha': 0, #权重的L2正则化项'scale_pos_weight': 1, #调节样本平衡度'max_delta_step': 0, #限制每棵树权重改变的最大步长'nthread':None #最大可用线程数
}

六、过拟合调参

模型的评估审核时一般都会有针对过拟合问题的要求：如要求train、test的auc相差小于0.03或train、test的ks相差小于0.04等；而在一些场景下训练的模型很容易过拟合，train、test的auc、ks相差较大，这种情况下我们不得不调整参数，有必要在损失一些模型精度的情况下来避免过拟合。

调小max_depth (3,6,1)

调大min_child_weight (100,2000,100)

调大gamma (0,10,2)

调大 lambda

eta、num_round 调高eta,降低num_round, eta(0.01,0.2,0.02)，num_round(50,1000,100)

调低subsample & colsample_bytree (0.6,1,0.1)