xgboost通俗_【通俗易懂】XGBoost从入门到实战,非常详细
Paper:XGBoost - A Scalable Tree Boosting System
如果你从来没学习过 XGBoost,或者不了解这个框架的数学原理。这篇 10000 字的文章一定能帮到你,虽然本文有很多公式,但是仔细读下去一定可以读懂。本文从原理到实战,仔细讲解 XGBoost。如果把这篇博文看懂了,再去读原始文章、看 XGBoost 的 PPT 就会比较轻松了。
有人问我要笔记的 PDF 版本,私我即可。
本篇文章纯手码,参考了很多前辈(比如@李文哲)的讲解,会在文末附上链接。如果这篇文章能帮助到你,来个关注,点赞,收藏吧。 如果有披露,还请留言区指出。
XGBoost 是陈天奇等人开源的一个机器学习项目,高效地实现了 GBDT 算法并进行了算法和工程上的许多改进,被广泛应用在 Kaggle 竞赛及其他许多机器学习竞赛中,并取得了不错的成绩。2015 年 29 组优胜方案中 17 组使用了 XGBoost。
Bagging VS Boosting
Bagging:Leverages unstable base learners that are weak because of overfitting
Boosting: Leverage stable base learners that are weak because of underfitting
Bagging 是 Bootstrap Aggregating 的简称,意思就是再取样 (Bootstrap) 然后在每个样本上训练出来的模型取平均,所以是降低模型的 variance. Bagging 比如 Random Forest 这种先天并行的算法都有这个效果。
Boosting 则是迭代算法,每一次迭代都根据上一次迭代的预测结果对样本进行加权,所以随着迭代不断进行,误差会越来越小,所以模型的 bias 会不断降低。比如 Adaptive Boosting,XGBoost 就是 Boosting 算法。
提升树
给了一个预测问题,张三在此数据上训练出了一个模型 - Model 1,但是效果不怎么好,误差比较大。
问题: 如果我们只能接受去使用这个模型但不能改变模型的架构,那接下来需要怎么做?
如上图所示,将左侧的数据输入到模型1中,会得到预测收入。预测收入和真实的收入之间的差值记做残差。由于这个模型1有一定的能力,但是能力比较弱,遗留了一些问题。这个残差就能表征这个遗留的问题。
紧接着,再训练一个模型2去预测这些样本,只不过目标值改为刚刚得到的残差。上图所示,预测的结果不再是收入,而是模型1得到的残差。上图中的模型2还会得到残差,但是我们发现第一行样本的残差已经为零了。也就是说第一个样本,通过模型1和模型2能够预测对收入。但是除了第一行,其他的还是有残差的,这时候可以在这基础上训练一个模型3。
上图所示,在刚刚 模型2得到的残差(准确的说是模型1和模型2共同作用的结果) 的基础上去拟合,得到模型3。这时候的残差可以理解为是前两个模型遗留下来的问题。该模型去预测模型2的残差,我们发现通过前三个模型的预测,得到的残差是上图中最新的残差这一列。
这时候最新的残差都是非常小了,如果能达到我们满意的标准,我们就可以停下。这样我们就得到了三个不同的模型。如下图所示,最终的预测就是三个模型预测的结果和。
具体问题是如何去构造这些模型呢?如何构建目标函数,如何优化?问题可以按照下面的流程去一步步解决:
如何构造目标函数 -> 目标函数直接优化难,如何近似? -> 如何把树的结构引入到目标函数?-> 仍然难优化,要不要使用贪心算法?
如果看不懂这个流程什么意思,没关系。直接往下读就行了,回过头来看会豁然开朗。
构建目标函数
首先举个例子,用多棵树来预测张三、李四的薪资。如下图所示,用年龄这个因素构建的树预测张三的值为12,用工作年限这个因素构建的树张三为2. 两个相加就是对张三薪资的预测:12+2=14。
假设已经训练了
构建的目标函数如下:
损失函数计算模型预测值和真实值的 loss,其中
叠加式的训练
如下图所示,将样本
假设给定样本
其中
因为最终的预测结果是所有模型(树)累加的结果,所以可以把
相比之下,该式子去掉了
用泰勒级数近似目标函数
这个目标函数是非常复杂的,我们可以用泰勒级数来近似这个目标函数。
目标函数:
根据泰勒展开式:
紧接着, 我们把
而根据泰勒展开式可以知道(这里公式可能有点长,但不乱,仔细看就能看懂):
当前目标函数是训练第
可以将目标函数简化为如下的形式:
当训练第
如何用参数表示一颗树
叶子结点的值用
接下来的目标是把
这里定义一个函数
- : 样本的位置
用函数
即表示哪些样本
定义树的复杂度
刚刚把
一颗树的复杂度可以通过叶节点个数和 leaf value 。如下式子,其中
复杂度有两个部分构成的,所以我们可以给每个模块定一个超参数来控制他们:
新的目标函数
经过上面的一步步的简化,我们把最初的目标函数:
简化为了:
紧接着,我们根据刚刚定义的参数:
紧接着,看下图,假设第一个叶节点上(即 15 的地方)有样本[1, 3]落在这里 ,第二个节点有样本[2]落在这个地方,样本[4,5]落在了第三个叶子结点处这里 :
所以:
而其中的
因为
这个式子中,
知识回顾,典型的二次函数:
最小点的值为:
所以,所以当树的结构固定,也就是说
将
当前树结构下的最佳的目标函数值:
当我们的知道了训练第
如何寻找树的形状?
我们寻找最小的
根据特征进行分割落在叶节点的样本,树结构发生改变,这时候新的树的目标函数值也是能够算出来的。所以,使用贪心的方式,选择新的树目标函数值较小的那颗树。
比如下面这个例子,我们有样本
此时我们知道了树的结构,可以根据如下的公式计算出此时树的最小目标函数值:
紧接着,我们根据新的特征对叶子结点再次进行了分割,得到了如下的树的形状:
此时,得到了新的
紧接着计算两颗树最小目标函数值的差:
当
实战
实战基于数据集 AllstateClaimsSeverity (Kaggle2016竞赛) :
官网:https://www.kaggle.com/c/allstate-claims-severity/overview
基于给出的数据预测保险赔偿。给出的训练数据是116列(cat1-cat116)的离散数据和14列(con1-con14)的连续数据。
数据分布
导入依赖
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LogisticRegression
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score as AUC
from sklearn.metrics import mean_absolute_error
from sklearn.decomposition import PCA
from sklearn.preprocessing import LabelEncoder,LabelBinarizer
from sklearn.model_selection import cross_val_scorefrom scipy import stats
import seaborn as sns
from copy import deepcopy%matplotlib inline%config InlineBackend.figure_format = 'retina'
加载数据
train = pd.read_csv('allstate-claims-severity/train.csv')
test = pd.read_csv('allstate-claims-severity/test.csv')
观察数据,看看数据是啥样的
train.shape # (188318, 132)
输出训练数据,查看数据内容
train
print('First 20 columns:',list(train.columns[:20]))
print('Last 20 columns:',list(train.columns[-20:]))First 20 columns: ['id', 'cat1', 'cat2', 'cat3', 'cat4', 'cat5', 'cat6', 'cat7', 'cat8', 'cat9', 'cat10', 'cat11', 'cat12', 'cat13', 'cat14', 'cat15', 'cat16', 'cat17', 'cat18', 'cat19']
Last 20 columns: ['cat112', 'cat113', 'cat114', 'cat115', 'cat116', 'cont1', 'cont2', 'cont3', 'cont4', 'cont5', 'cont6', 'cont7', 'cont8', 'cont9', 'cont10', 'cont11', 'cont12', 'cont13', 'cont14', 'loss']
观察得到:一共有 object 类型属性 116 个,float64 属性15个,int64 属性 1 个,其中 id 是int64,loss 赔偿是 float64.
train.describe()
可以看到此数据已经被处理,均值基本为 0.5。
查看缺失值
大多情况,我们都需要对数据进行缺失值处理。
pd.isnull(train).values.any()# False 表示没有缺失值
连续值与离散值
train.info()#类型以及数量:float64(15), int64(1), object(116)<class 'pandas.core.frame.DataFrame'>
RangeIndex: 188318 entries, 0 to 188317
Columns: 132 entries, id to loss
dtypes: float64(15), int64(1), object(116)
memory usage: 189.7+ MB
查看离散特征和连续特征个数
cat_features = list(train.select_dtypes(include=['object']))
print('离散特征Categorical: {} features'.format(len(cat_features)))
离散特征Categorical: 116 features
cont_features = [cont for cont in list(train.select_dtypes(include=['float64','int64'])) if cont not in ['loss','id']]
print('连续特征Continuous: {} features'.format(len(cont_features)))
连续特征Continuous: 14 features
id_col = list(train.select_dtypes(include=['int64']))
print('A column of int64:{}'.format(id_col))
A column of int64:['id']
类别值中属性的个数
#统计类别属性中不同类别的个数
cat_uniques=[]
for cat in cat_features: cat_uniques.append(len(train[cat].unique()))
uniq_values_in_categories = pd.DataFrame.from_dict([('cat_name',cat_features),('unique_values',cat_uniques)])uniq_values_in_categories.head()
fig,(ax1, ax2) = plt.subplots(1,2)
fig.set_size_inches(16,5)ax1.hist(uniq_values_in_categories.unique_values, bins=50)
ax1.set_title('Amount of categorical features with X distinct values')#离散特征值分布情况
ax1.set_xlabel('Distinct values in a feature')
ax1.set_ylabel('F eatures')
ax1.annotate('A feature with 326 vals', xy=(322, 2), xytext=(200, 38),arrowprops=dict(facecolor='black'))ax2.set_xlim(2,30)
ax2.set_title('Zooming in the [0,30] part of left histogram')
ax2.set_xlabel('Distinct values in a feature')
ax2.set_ylabel('F eatures')
ax2.grid(True)
ax2.hist(uniq_values_in_categories[uniq_values_in_categories.unique_values<=30].unique_values, bins=30)
ax2.annotate('Binary features', xy=(3, 71), xytext=(7, 71), arrowprops=dict(facecolor='black'))
正如我们所看到的,大部分的分类特征(72/116)是二值的,绝大多数特征(88/116)有四个值,其中有一个具有326个值的特征(一天的数量?)。
赔偿值
plt.figure(figsize=(16,8))
plt.plot(train['id'],train['loss'])
print('train['id']个数:',len(train['id']))
plt.title('Loss values per id')
plt.xlabel('id')
plt.ylabel('loss')
plt.legend()
plt.show()
如上图所示,损失值有几个显著的峰值,表示严重事故。这样的数据分布,使得这个功能非常扭曲导致回归表现不佳。
基本上,偏度 度量了实值随机变量的均值分布的不对称性,下面让我们来计算一下loss的偏度:
#scipy.stats 统计指标。
stats.mstats.skew(train['loss']).data
#输出:array(3.79492815)
偏度值比1大,说明数据是倾斜的。不利于数据建模。我们利用对数变换np.log,使倾斜降低。
stats.mstats.skew(np.log(train['loss'])).data
#输出:array(0.0929738)
两种 loss 分布对比:
fig, (ax1, ax2) = plt.subplots(1,2)
fig.set_size_inches(16,5)
ax1.hist(train['loss'], bins=50)
ax1.set_title('Train Loss target histogram')
ax1.grid(True)
ax2.hist(np.log(train['loss']), bins=50, color='g')
ax2.set_title("Train Log Loss target histogram")
ax2.grid(True)
plt.show()
数据loss对数化之后,是我们喜欢的分布类型。
连续值特征
train[cont_features].hist(bins=50,figsize=(16,12))
特征之间的相关性
plt.subplots(figsize=(16,9))
correlation_mat = train[cont_features].corr()
sns.heatmap(correlation_mat,annot=True)
XGBoost 调参策略
导入依赖
import pandas as pd
import numpy as np
import xgboost as xgb
import pickle
import sys
import matplotlib.pyplot as plt
from sklearn.metrics import make_scorer
from sklearn.metrics import mean_absolute_error
from sklearn.preprocessing import LabelEncoder,LabelBinarizer
from sklearn.model_selection import cross_val_score
from sklearn.model_selection import KFold,train_test_splitfrom xgboost import XGBRegressorimport warnings
warnings.filterwarnings('ignore')
%matplotlib inline%config InlineBackend.figure_format = 'retina'
数据预处理
train = pd.read_csv('allstate-claims-severity/train.csv')
train['log_loss']=np.log(train['loss'])features = [x for x in train.columns if x not in ['id','loss','log_loss']]cat_features =[x for x in train.select_dtypes(include = ['object']) if x not in ['id','loss','log_loss']]num_features =[x for x in train.select_dtypes(exclude = ['object']) if x not in ['id','loss','log_loss']] print('离散特征Categorical: {} features'.format(len(cat_features)))
print('Numerical:{} features'.format(len(num_features)))
features离散特征 Categorical: 116 features
Numerical:14 features
['cat1','cat2','cat3','cat4','cat5','cat6','cat7','cat8','cat9','cat10','cat11','cat12','cat13','cat14','cat15','cat16','cat17','cat18','cat19','cat20','cat21','cat22','cat23','cat24','cat25','cat26','cat27','cat28','cat29','cat30','cat31','cat32','cat33','cat34','cat35','cat36','cat37','cat38','cat39','cat40','cat41','cat42','cat43','cat44','cat45','cat46','cat47','cat48','cat49','cat50','cat51','cat52','cat53','cat54','cat55','cat56','cat57','cat58','cat59','cat60','cat61','cat62','cat63','cat64','cat65','cat66','cat67','cat68','cat69','cat70','cat71','cat72','cat73','cat74','cat75','cat76','cat77','cat78','cat79','cat80','cat81','cat82','cat83','cat84','cat85','cat86','cat87','cat88','cat89','cat90','cat91','cat92','cat93','cat94','cat95','cat96','cat97','cat98','cat99','cat100','cat101','cat102','cat103','cat104','cat105','cat106','cat107','cat108','cat109','cat110','cat111','cat112','cat113','cat114','cat115','cat116','cont1','cont2','cont3','cont4','cont5','cont6','cont7','cont8','cont9','cont10','cont11','cont12','cont13','cont14']ntrain = train.shape[0]
#ntrain = 188318train_x = train[features]
train_y = train['log_loss']for c in range(len(cat_features)):train_x[cat_features[c]] = train_x[cat_features[c]].astype('category').cat.codes
print('Xtrain:',train_x.shape) # Xtrain: (188318, 130)
print('ytrain:',train_y.shape) # ytrain: (188318,)train_x
Simple XGBoost Model
首先,我们训练一个基本的xgboost模型,然后进行参数调节通过交叉验证来观察结果的变换,使用平均绝对误差衡量 mean_absolute_error(np.exp(y),np.exp(yhat))。
xgboost 自定义一个数据矩阵类 DMatrix,会在训练开始时,进行一边预处理,从而提高之后每次迭代的效率。
结果衡量方法
#评估策略,e的次幂,用来评估。
#结果衡量方法:使用平均绝对误差来衡量
#mean_absolute_error(np.exp(y), np.exp(yhat))。
#定义计算损失值的函数
def xg_eval_mae(yhat,dtrain):y = dtrain.get_label()return 'mae',mean_absolute_error(np.exp(y),np.exp(yhat))
Model
#数据类型转换成库可以使用的底层格式。
dtrain = xgb.DMatrix(train_x,train['log_loss'])
dtrain
XGBoost 参数
- booster : gbtree, 用什么方法进行结点分裂。梯度提升树来进行结点分裂。
- objective : multi softmax, 使用的损失函数,softmax 是多分类问题
- num_class : 10, 类别数,与 multi softmax 并用
- gamma : 损失下降多少才进行分裂
- max_depth : 12, 构建树的深度, 越大越容易过拟合
- lambda : 2, 控制模型复杂度的权重值的L2正则化项参数,参数越大。模型越不容易过拟合。
- subsample : 0.7 , 随机采样训练样本,取70%的数据训练
- colsample_bytree : 0.7, 生成树时进行的列采样
- min_child_weight : 3, 孩子节点中最小的样本权重和,如果一个叶子结点的样本权重和小于 min_child_weight 则拆分过程结果
- slient : 0, 设置成 1 则没有运行信息输出,最好是设置为0
- eta : 0.007, 如同学习率。前面的树都不变了,新加入一棵树后对结果的影响占比
- seed : 1000
- Thread : 7, cup 线程数
xgb_params = {'seed': 0,'eta': 0.1,'colsample_bytree': 0.5,'silent': 1,'subsample': 0.5,'objective': 'reg:linear','max_depth': 5,'min_child_weight': 3
}
使用交叉验证 xgb.cv
%%time#feval:评估策略
bst_cv1 = xgb.cv(xgb_params, dtrain, num_boost_round=50, nfold=3, seed=0, feval=xg_eval_mae, maximize=False, early_stopping_rounds=10)print ('CV score:', bst_cv1.iloc[-1,:]['test-mae-mean'])CV score: 1220.110026
Wall time: 26 splt.figure()
bst_cv1[['train-mae-mean', 'test-mae-mean']].plot()
上面是我们第一个模型
- 没有发生过拟合
- 只建立了50个树模型
%%time
#建立100个树模型
bst_cv2 = xgb.cv(xgb_params, dtrain, num_boost_round=100, nfold=3, seed=0, feval=xg_eval_mae, maximize=False, early_stopping_rounds=10)print ('CV score:', bst_cv2.iloc[-1,:]['test-mae-mean'])CV score: 1172.059570333333
Wall time: 50.9 sfig, (ax1, ax2) = plt.subplots(1,2)
fig.set_size_inches(16,4)ax1.set_title('100 rounds of training')
ax1.set_xlabel('Rounds')
ax1.set_ylabel('Loss')
ax1.grid(True)
ax1.plot(bst_cv2[['train-mae-mean', 'test-mae-mean']])
ax1.legend(['Training Loss', 'Test Loss'])ax2.set_title('60 last rounds of training')
ax2.set_xlabel('Rounds')
ax2.set_ylabel('Loss')
ax2.grid(True)
ax2.plot(bst_cv2.iloc[40:][['train-mae-mean', 'test-mae-mean']])
ax2.legend(['Training Loss', 'Test Loss'])
我们把树模型的数量增加到了100。效果不是很明显。看最后的60次。我们可以看到 测试集仅比训练集高那么一丁点。存在一丁点的过拟合。
不过我们的CV score更低了。接下来,我们改变其他参数。
XGBoost 参数调节
Step 1: 选择一组初始参数 Step 2: 改变 max_depth 和 min_child_weight. Step 3: 调节 gamma 降低模型过拟合风险. Step 4: 调节 subsample 和 colsample_bytree 改变数据采样策略. Step 5: 调节学习率 eta.
class XGBoostRegressor(object):def __init__(self, **kwargs):self.params = kwargsif 'num_boost_round' in self.params:self.num_boost_round = self.params['num_boost_round']self.params.update({'silent': 1, 'objective': 'reg:linear', 'seed': 0})#默认参数def fit(self, x_train, y_train):'''#数据类型转换,#用参数去训练xgboost模型'''dtrain = xgb.DMatrix(x_train, y_train) self.bst = xgb.train(params=self.params, dtrain=dtrain, num_boost_round=self.num_boost_round,feval=xg_eval_mae, maximize=False)def predict(self, x_pred):dpred = xgb.DMatrix(x_pred)self.bst = xgb.train(params=self.params, dtrain=dtrain, num_boost_round=self.num_boost_round,feval=xg_eval_mae, maximize=False)return self.bst.predict(dpred)def kfold(self, x_train, y_train, nfold=5):dtrain = xgb.DMatrix(x_train, y_train)cv_rounds = xgb.cv(params=self.params, dtrain=dtrain, num_boost_round=self.num_boost_round,nfold=nfold, feval=xg_eval_mae, maximize=False, early_stopping_rounds=10)return cv_rounds.iloc[-1,:]def plot_feature_importances(self):feat_imp = pd.Series(self.bst.get_fscore()).sort_values(ascending=False)feat_imp.plot(title='Feature Importances')plt.ylabel('Feature Importance Score')def get_params(self, deep=True):return self.paramsdef set_params(self, **params):self.params.update(params)return self #衡量标准
def mae_score(y_true, y_pred):return mean_absolute_error(np.exp(y_true), np.exp(y_pred))mae_scorer = make_scorer(mae_score, greater_is_better=False)bst = XGBoostRegressor(eta=0.1, colsample_bytree=0.5, subsample=0.5, max_depth=5, min_child_weight=3, num_boost_round=50)bst.kfold(train_x, train_y, nfold=5)train-rmse-mean 0.558938
train-rmse-std 0.001005
test-rmse-mean 0.562665
test-rmse-std 0.002445
train-mae-mean 1209.707324
train-mae-std 3.004207
test-mae-mean 1218.884204
test-mae-std 8.982969
Name: 49, dtype: float64
按照训练集处理方式,处理我们的测试集
test = pd.read_csv('allstate-claims-severity/test.csv')test # 没有loss列,loss需要预测#features_test = [x for x in test.columns if x not in ['id']]test_x = test[features]#将类别数据的类别用数字替换
for c in range(len(cat_features)):test_x[cat_features[c]] = test_x[cat_features[c]].astype('category').cat.codestest_x.head()
#数据类型转换成库可以使用的底层格式。
dtest_x = xgb.DMatrix(test_x)
#dtest_x
#得到我们想要的测试集#预测命令:
#xgb.predict(dtest_x)
test_y = bst.predict(test_x)test_y[1],len(test_y)
(7.450635, 125546)
import math#math.exp(test_y[0])
test_exp_y= np.zeros(len(test_y))
for i in range(len(test_y)):test_exp_y[i] = math.exp(test_y[i])
test_exp_y.shape
(125546,)
Step 1: 基准模型
Step 2: 树的深度与节点权重
这些参数对xgboost性能影响最大,因此,他们应该调整第一。我们简要地概述它们: max_depth: 树的最大深度。增加这个值会使模型更加复杂,也容易出现过拟合,深度3-10是合理的。 min_child_weight: 正则化参数. 如果树分区中的实例权重小于定义的总和,则停止树构建过程。
xgb_param_grid = {'max_depth': list(range(4,9)), 'min_child_weight': list((1,3,6))}
xgb_param_grid['max_depth']
[4, 5, 6, 7, 8]
%%time
from sklearn.model_selection import GridSearchCV#交叉验证 网格搜索
grid = GridSearchCV(XGBoostRegressor(eta=0.1, num_boost_round=50, colsample_bytree=0.5, subsample=0.5),param_grid=xgb_param_grid, cv=5, scoring = mae_scorer)grid.fit(train_x, train_y.values)Wall time: 18min 30sGridSearchCV(cv=5, error_score='raise-deprecating',estimator=<__main__.XGBoostRegressor object at 0x000001EAF043AAC8>,iid='warn', n_jobs=None,param_grid={'max_depth': [4, 5, 6, 7, 8],'min_child_weight': [1, 3, 6]},pre_dispatch='2*n_jobs', refit=True, return_train_score=False,scoring=make_scorer(mae_score, greater_is_better=False),verbose=0)#grid.grid_scores_, grid.best_params_, grid.best_score_ #旧版本#print(grid.cv_results_)#新版本
print(grid.cv_results_['mean_test_score'])
print(grid.cv_results_['params'])
print('************************************')
print(grid.best_params_)
print('************************************')
print(grid.best_score_ )[-1243.45883654 -1243.43443586 -1243.74273371 -1219.45710638-1219.53921994 -1219.59817312 -1205.01504313 -1203.69057513-1203.64737075 -1194.79949665 -1194.31288936 -1193.77942991-1189.22162241 -1188.18115104 -1187.53612533]
[{'max_depth': 4, 'min_child_weight': 1}, {'max_depth': 4, 'min_child_weight': 3}, {'max_depth': 4, 'min_child_weight': 6}, {'max_depth': 5, 'min_child_weight': 1}, {'max_depth': 5, 'min_child_weight': 3}, {'max_depth': 5, 'min_child_weight': 6}, {'max_depth': 6, 'min_child_weight': 1}, {'max_depth': 6, 'min_child_weight': 3}, {'max_depth': 6, 'min_child_weight': 6}, {'max_depth': 7, 'min_child_weight': 1}, {'max_depth': 7, 'min_child_weight': 3}, {'max_depth': 7, 'min_child_weight': 6}, {'max_depth': 8, 'min_child_weight': 1}, {'max_depth': 8, 'min_child_weight': 3}, {'max_depth': 8, 'min_child_weight': 6}]
************************************
{'max_depth': 8, 'min_child_weight': 6}
************************************
-1187.5361253348233
网格搜索发现的最佳结果: {'max_depth': 8, 'min_child_weight': 6}, -1187.9597499123447)
def convert_grid_scores(scores):_params = []_params_mae = [] for i in scores:_params.append(i[0].values())_params_mae.append(i[1])params = np.array(_params)grid_res = np.column_stack((_params,_params_mae))return [grid_res[:,i] for i in range(grid_res.shape[1])] _,scores = convert_grid_scores(grid.grid_scores_)
scores = scores.reshape(5,3)plt.figure(figsize=(10,5))
cp = plt.contourf(xgb_param_grid['min_child_weight'], xgb_param_grid['max_depth'], scores, cmap='BrBG')
plt.colorbar(cp)
plt.title('Depth / min_child_weight optimization')
plt.annotate('We use this', xy=(5.95, 7.95), xytext=(4, 7.5), arrowprops=dict(facecolor='white'), color='white')
plt.annotate('Good for depth=7', xy=(5.98, 7.05), xytext=(4, 6.5), arrowprops=dict(facecolor='white'), color='white')
plt.xlabel('min_child_weight')
plt.ylabel('max_depth')
plt.grid(True)
plt.show()
Step 3: 调节 gamma去降低过拟合风险
%%timexgb_param_grid = {'gamma':[ 0.1 * i for i in range(0,5)]}grid = GridSearchCV(XGBoostRegressor(eta=0.1, num_boost_round=50, max_depth=8, min_child_weight=6,colsample_bytree=0.5, subsample=0.5),param_grid=xgb_param_grid, cv=5, scoring=mae_scorer)grid.fit(train_x, train_y.values)#Wall time: 13min 45s
Step 4: 调节样本采样方式 subsample 和 colsample_bytree
%%timexgb_param_grid = {'subsample':[ 0.1 * i for i in range(6,9)],'colsample_bytree':[ 0.1 * i for i in range(6,9)]}grid = GridSearchCV(XGBoostRegressor(eta=0.1, gamma=0.2, num_boost_round=50, max_depth=8, min_child_weight=6),param_grid=xgb_param_grid, cv=5, scoring=mae_scorer)
grid.fit(train_x, train_y.values)# Wall time: 28min 26sgrid.grid_scores_, grid.best_params_, grid.best_score_ _, scores = convert_grid_scores(grid.grid_scores_)
scores = scores.reshape(3,3)plt.figure(figsize=(10,5))
cp = plt.contourf(xgb_param_grid['subsample'], xgb_param_grid['colsample_bytree'], scores, cmap='BrBG')
plt.colorbar(cp)
plt.title('Subsampling params tuning')
plt.annotate('Optimum', xy=(0.895, 0.6), xytext=(0.8, 0.695), arrowprops=dict(facecolor='black'))
plt.xlabel('subsample')
plt.ylabel('colsample_bytree')
plt.grid(True)
plt.show()
在当前的预训练模式的具体案例,我得到了下面的结果: `{'colsample_bytree': 0.8, 'subsample': 0.8}, -1182.9309918891634)
Step 5: 减小学习率并增大树个数
(也可以增大学习率减小树个数)
参数优化的最后一步是降低学习速度,同时增加更多的估计量
First, we plot different learning rates for a simpler model (50 trees):
%%timexgb_param_grid = {'eta':[0.5,0.4,0.3,0.2,0.1,0.075,0.05,0.04,0.03]}
grid = GridSearchCV(XGBoostRegressor(num_boost_round=50, gamma=0.2, max_depth=8, min_child_weight=6,colsample_bytree=0.6, subsample=0.9),param_grid=xgb_param_grid, cv=5, scoring=mae_scorer)grid.fit(train_x, train_y.values) #CPU times: user 6.69 ms, sys: 0 ns, total: 6.69 ms
#Wall time: 6.55 msgrid.grid_scores_, grid.best_params_, grid.best_score_ eta, y = convert_grid_scores(grid.grid_scores_)
plt.figure(figsize=(10,4))
plt.title('MAE and ETA, 50 trees')
plt.xlabel('eta')
plt.ylabel('score')
plt.plot(eta, -y)
plt.grid(True)
plt.show()
{'eta': 0.2}, -1160.9736284869114 是目前最好的结果, 现在我们把树的个数增加到100
xgb_param_grid = {'eta':[0.5,0.4,0.3,0.2,0.1,0.075,0.05,0.04,0.03]}
grid = GridSearchCV(XGBoostRegressor(num_boost_round=100, gamma=0.2, max_depth=8, min_child_weight=6,colsample_bytree=0.6, subsample=0.9),param_grid=xgb_param_grid, cv=5, scoring=mae_scorer)grid.fit(train_x, train_y.values)grid.grid_scores_, grid.best_params_, grid.best_score_ eta, y = convert_grid_scores(grid.grid_scores_)
plt.figure(figsize=(10,4))
plt.title('MAE and ETA, 100 trees')
plt.xlabel('eta')
plt.ylabel('score')
plt.plot(eta, -y)
plt.grid(True)
plt.show()
学习率低一些的效果更好
我们继续增大树的个数
%%timexgb_param_grid = {'eta':[0.09,0.08,0.07,0.06,0.05,0.04]}
grid = GridSearchCV(XGBoostRegressor(num_boost_round=200, gamma=0.2, max_depth=8, min_child_weight=6,colsample_bytree=0.6, subsample=0.9),param_grid=xgb_param_grid, cv=5, scoring=mae_scorer)grid.fit(train_x, train_y.values)grid.grid_scores_, grid.best_params_, grid.best_score_eta, y = convert_grid_scores(grid.grid_scores_)
plt.figure(figsize=(10,4))
plt.title('MAE and ETA, 200 trees')
plt.xlabel('eta')
plt.ylabel('score')
plt.plot(eta, -y)
plt.grid(True)
plt.show()
%%time# Final XGBoost modelbst = XGBoostRegressor(num_boost_round=200, eta=0.07, gamma=0.2, max_depth=8, min_child_weight=6,colsample_bytree=0.6, subsample=0.9)
cv = bst.kfold(train_x, train_y, nfold=5)
总结
可以看到200棵树最好的ETA是0.07。正如我们所预料的那样,ETA和num_boost_round依赖关系不是线性的,但是有些关联。
花了相当长的一段时间优化xgboost. 从初始值: 1219.57. 经过调参之后达到 MAE=1171.77. 我们还发现参数之间的关系ETA和num_boost_round:
100 trees, eta=0.1: MAE=1152.247 200 trees, eta=0.07: MAE=1145.92
`XGBoostRegressor(num_boost_round=200, gamma=0.2, max_depth=8, min_child_weight=6, colsample_bytree=0.6, subsample=0.9, eta=0.07).
xgboost作为kaggle和天池等各种数据比赛最受欢迎的算法之一,从项目中可见调参也是一件很容易的事情,并不复杂,好用精确率高,叫谁谁不用。
参考链接
[1] https://www.zhihu.com/question/26760839/answer/33963551
(2) https://www.bilibili.com/video/BV1si4y1G7Jb
xgboost通俗_【通俗易懂】XGBoost从入门到实战,非常详细相关推荐
- xgboost算法_基于XGBoost算法构建投资组合
摘要 极端梯度提升 (eXtreme Gradient Boosting) 是一种基于决策树的集成机器学习方法,适用于分类和回归问题.其优点是速度快.效果好.能处理大规模数据.支持自定义损失函数等. ...
- js模板字符串自定义类名_【Vue.js 入门到实战教程】07Vue 组件注册 | 基本使用和组件嵌套...
来源 | https://xueyuanjun.com/post/21929除了前面介绍的基本语法之外,Vue.js 还支持通过组件构建复杂的功能模块,组件可以称得上是 Vue.js 的灵魂,是 Vu ...
- vue设置cookie的domain无效_【Vue.js入门到实战教程】16Tailwind 与 Bootstrap 的区别和使用入门...
来源 | https://xueyuanjun.com/post/22065我们知道,从 Laravel 8 开始,自带前端脚手架代码默认兼容 Tailwind CSS 框架,取代了之前的 Boots ...
- 树莓派python编程入门先学什么_树莓派Python编程入门与实战
树莓派Python编程入门与实战 编辑 锁定 讨论 上传视频 本词条缺少概述图,补充相关内容使词条更完整,还能快速升级,赶紧来编辑吧! 树莓派是一个只有信用卡大小的裸露电路板,它也是一个运行开源Lin ...
- xgboost 正则项_详述Xgboost原理
声明:文章转自 https://www.jianshu.com/p/7467e616f227 xgboost 已然火爆机器学习圈,相信不少朋友都使用过.要想彻底掌握xgboost,就必须搞懂其内部的模 ...
- java设计模式通俗_通俗易懂的Java设计模式之工厂方法模式
一 .工厂方法(Factory Method)模式 工厂方法模式的意义是定义一个创建产品对象的工厂接口,将实际创建工作推迟到子类当中.核心工厂类不再负责产品的创建,这样核心类成为一个抽象工厂角色,仅负 ...
- es自建搜索词库_【ES从入门到实战】二十三、全文检索-ElasticSearch-分词-自定义扩展词库...
接第22节 3).自定义词库 ik 分词器默认的分词并不能满足我们的需求,对于一些新的网络用语,ik 分词器就会无法准确的进行分词识别,比如: POST _analyze { "analyz ...
- 树莓派python编程入门与实战解压密码_树莓派Python编程入门与实战
目录 第一部分 树莓派编程环境 第1章 配置树莓派 3 1.1 获取树莓派 3 1.1.1 了解树莓派的历史 3 1.1.2 为什么要学习用Python 在树莓派上进行编程 4 1.2 获取树莓派 5 ...
- 新手入门单片机实战超详细以及遇到一些坑-避障小车1【更新中】
说明 本人系电子信息工程大二的大学牲一名,一直以来想尝试做一些项目,但是出于各种理由一直推脱.去年准备电赛的时候也只是草草学了学单片机(仅不算深入依然很菜),一味的照着视频写例程属实感觉进步不大.正好 ...
最新文章
- spfa(还不懂--)
- 30 分钟 git 命令入门
- 【GDOI2016模拟3.16】幂(容斥 + 模型复杂转化)
- 终极之战!TensorFlow与PyTorch谁最适合深度学习
- python高级语法装饰器_Python高级编程——装饰器Decorator超详细讲解上
- 2015 8月31号 本周计划
- 018 HDFS中,namenode与datanode的交互
- 20套莫兰迪灰色调LR预设/手机版APP滤镜合集 VEER 2020 Bundle 78in1
- 企业文化海报设计模板,企业文化经典标语挂图素材
- Linux 用户必须知道的 14 个常用 Linux 终端快捷键
- 异数OS-星星之火(二)--远程实验室注册开放
- java生成假数据工具类-基于Faker1.0.2
- 【游戏运营】【推荐阅读】
- sklearn基础篇(三)-- 鸢尾花(iris)数据集分析和分类
- 长沙哪个服务器网速最快,5G网络湖南长沙首秀?网速是4G的60倍,快的让人无法想象...
- abp zero mysql_ABP从入门到精通(2):aspnet-zero-core 使用MySql数据库
- 前景好过富士康?苹果订单助台积电股价创新高
- 转换 wav,ape,flac 音乐为 mp3,m4a(mp4) 格式
- python主成分得分系数矩阵_用spss得出的成分矩阵就是初始因子载荷矩阵吗?成分得分系数矩阵又是什么...
- Excel转Json工具(支持GUI模式和命令行模式)
热门文章
- 一文讲述G6实现流程图绘制的常用方法
- AI论文解读丨融合视觉、语义、关系多模态信息的文档版面分析架构VSR
- 容器化时代到来!跳转机分配问题终于“有救”了
- 云小课 | 不小心删除了数据库,除了跑路还能咋办?
- WEB安全入门:如何防止 CSRF 攻击?
- 【华为云技术分享】文字识别服务(OCR)基于对抗样本的模型可信安全威胁分析初析
- 【华为云技术分享】云图说 | 一张图看懂华为云弹性公网IP
- Reactive(2) 响应式流与制奶厂业务
- 某学校有计算机主机1300台,网络互联技术与实践第14章:构建基于静态路由的多层网络.ppt...
- edpluse怎么运行c语言,[JSP]小菜也来学Editplus+Tomcat配置jsp运行环境