XGBoost参数调优完全指南（附Python代码）

淡淡的烟草味﹌ 2022-05-15 08:26 634阅读 0赞

# 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][Link 1]。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。

# 你需要知道的 #

XGBoost(eXtreme Gradient Boosting)是Gradient Boosting算法的一个优化的版本。

*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！

# 内容列表 #

1、XGBoost的优势  
2、理解XGBoost的参数  
3、调整参数(含示例)

## 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、正则化 ###

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。

### 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。 XGBoost 也支持Hadoop实现。

### 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、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。

### 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。

### 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。

### 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！

## 2、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。

# 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][Link 2]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。

# 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n2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。

### 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)。 典型值：0.5-1

### 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。

### 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。

# 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rmse，对于分类问题，默认值是error。 典型值有：  
rmse 均方根误差(∑Ni=1?2N??????√) mae 平均绝对误差(∑Ni=1|?|N) 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(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  
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。

# 调整参数(含示例) #

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。 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。 进行了量化和独热编码(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。

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 </td> 
 <td> <code>&lt;code&gt;#Import libraries:</code> <code>import</code>&nbsp;<code>pandas as pd</code> <code>import</code>&nbsp;<code>numpy as np</code> <code>import</code>&nbsp;<code>xgboost as xgb</code> <code>from xgboost.sklearn </code><code>import</code>&nbsp;<code>XGBClassifier</code> <code>from sklearn </code><code>import</code>&nbsp;<code>cross_validation, metrics&nbsp;&nbsp; #Additional&nbsp;&nbsp;&nbsp;&nbsp; scklearn functions</code> <code>from sklearn.grid_search </code><code>import</code>&nbsp;<code>GridSearchCV&nbsp;&nbsp; #Perforing grid search</code> &nbsp; <code>import</code>&nbsp;<code>matplotlib.pylab as plt</code> <code>%matplotlib inline</code> <code>from matplotlib.pylab </code><code>import</code>&nbsp;<code>rcParams</code> <code>rcParams[</code><code>'figure.figsize'</code><code>] = </code><code>12</code><code>, </code><code>4</code> &nbsp; <code>train = pd.read_csv(</code><code>'train_modified.csv'</code><code>)</code> <code>target = </code><code>'Disbursed'</code> <code>IDcol = </code><code>'ID'</code> <code>&lt;/code&gt;</code> </td> 
 </tr> 
 </tbody> 
</table>

`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。`

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 </td> 
 <td> <code>&lt;code&gt;&lt;code&gt;def modelfit(alg, dtrain, predictors,useTrainCV=True, cv_folds=</code><code>5</code><code>, early_stopping_rounds=</code><code>50</code><code>):</code> <code>if</code>&nbsp;<code>useTrainCV:</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>xgb_param = alg.get_xgb_params()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>xgtrain = xgb.DMatrix(dtrain[predictors].values, label=dtrain[target].values)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>cvresult = xgb.cv(xgb_param, xgtrain, num_boost_round=alg.get_params()[</code><code>'n_estimators'</code><code>], nfold=cv_folds,</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>metrics=</code><code>'auc'</code><code>, early_stopping_rounds=early_stopping_rounds, show_progress=False)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;</code><code>alg.set_params(n_estimators=cvresult.shape[</code><code>0</code><code>])</code> &nbsp; <code>#Fit the algorithm on the data</code> <code>alg.fit(dtrain[predictors], dtrain[</code><code>'Disbursed'</code><code>],eval_metric=</code><code>'auc'</code><code>)</code> &nbsp; <code>#Predict training set:</code> <code>dtrain_predictions = alg.predict(dtrain[predictors])</code> <code>dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,</code><code>1</code><code>]</code> &nbsp; <code>#Print model report:</code> <code>print </code><code>"\nModel Report"</code> <code>print </code><code>"Accuracy : %.4g"</code>&nbsp;<code>% metrics.accuracy_score(dtrain[</code><code>'Disbursed'</code><code>].values, dtrain_predictions)</code> <code>print </code><code>"AUC Score (Train): %f"</code>&nbsp;<code>% metrics.roc_auc_score(dtrain[</code><code>'Disbursed'</code><code>], dtrain_predprob)</code> &nbsp; <code>feat_imp = pd.Series(alg.booster().get_fscore()).sort_values(ascending=False)</code> <code>feat_imp.plot(kind=</code><code>'bar'</code><code>, title=</code><code>'Feature Importances'</code><code>)</code> <code>plt.ylabel(</code><code>'Feature Importance Score'</code><code>)</code> <code>&lt;/code&gt;&lt;/code&gt;</code> </td> 
 </tr> 
 </tbody> 
</table>

`这个函数和GBM中使用的有些许不同。不过本文章的重点是讲解重要的概念，而不是写代码。如果哪里有不理解的地方，请在下面评论，不要有压力。注意xgboost的sklearn包没有“feature_importance”这个量度，但是get_fscore()函数有相同的功能。`

# `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： 1. 选择较高的学习速率(learning rate)。一般情况下，学习速率的值为0.1。但是，对于不同的问题，理想的学习速率有时候会在0.05到0.3之间波动。选择对应于此学习速率的理想决策树数量。XGBoost有一个很有用的函数“cv”，这个函数可以在每一次迭代中使用交叉验证，并返回理想的决策树数量。 2. 对于给定的学习速率和决策树数量，进行决策树特定参数调优(max_depth, min_child_weight, gamma, subsample, colsample_bytree)。在确定一棵树的过程中，我们可以选择不同的参数，待会儿我会举例说明。 3. xgboost的正则化参数的调优。(lambda, alpha)。这些参数可以降低模型的复杂度，从而提高模型的表现。 4. 降低学习速率，确定理想参数。`

`咱们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。 注意哦，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。`

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 </td> 
 <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;#Choose all predictors except target &amp; IDcols</code> <code>predictors = [x </code><code>for</code>&nbsp;<code>x in train.columns </code><code>if</code>&nbsp;<code>x not in [target,IDcol]]</code> <code>xgb1 = XGBClassifier(</code> <code>&nbsp;</code><code>learning_rate =</code><code>0.1</code><code>,</code> <code>&nbsp;</code><code>n_estimators=</code><code>1000</code><code>,</code> <code>&nbsp;</code><code>max_depth=</code><code>5</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>1</code><code>,</code> <code>&nbsp;</code><code>gamma=</code><code>0</code><code>,</code> <code>&nbsp;</code><code>subsample=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>,</code> <code>&nbsp;</code><code>nthread=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>scale_pos_weight=</code><code>1</code><code>,</code> <code>&nbsp;</code><code>seed=</code><code>27</code><code>)</code> <code>modelfit(xgb1, train, predictors)</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
 </tr> 
 </tbody> 
</table>

`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140。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。`

> `注意：在AUC(test)这里你可以看到测试集的AUC值。但是如果你在自己的系统上运行这些命令，并不会出现这个值。因为数据并不公开。这里提供的值仅供参考。生成这个值的代码部分已经被删掉了。`<喎�"/kf/ware/vc/" target="\_blank" class="keylink">vcD4NCjwvYmxvY2txdW90ZT4NCjxoMSBpZD0="第二步-maxdepth-和-minweight-参数调优">`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。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 11 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;param_test1 = { </code> <code>&nbsp;</code><code>'max_depth'</code><code>:range(</code><code>3</code><code>,</code><code>10</code><code>,</code><code>2</code><code>),</code> <code>&nbsp;</code><code>'min_child_weight'</code><code>:range(</code><code>1</code><code>,</code><code>6</code><code>,</code><code>2</code><code>)</code> <code>}</code> <code>gsearch1 = GridSearchCV(estimator = XGBClassifier(&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; learning_rate =</code><code>0.1</code><code>, n_estimators=</code><code>140</code><code>, max_depth=</code><code>5</code><code>,</code> <code>min_child_weight=</code><code>1</code><code>, gamma=</code><code>0</code><code>, subsample=</code><code>0.8</code><code>,&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>, nthread=</code><code>4</code><code>,&nbsp;&nbsp;&nbsp;&nbsp; scale_pos_weight=</code><code>1</code><code>, seed=</code><code>27</code><code>), </code> <code>&nbsp;</code><code>param_grid = param_test1,&nbsp;&nbsp;&nbsp;&nbsp; scoring=</code><code>'roc_auc'</code><code>,n_jobs=</code><code>4</code><code>,iid=False, cv=</code><code>5</code><code>)</code> <code>gsearch1.fit(train[predictors],train[target])</code> <code>gsearch1.grid_scores_, gsearch1.best_params_,&nbsp;&nbsp;&nbsp;&nbsp; gsearch1.best_score_</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `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5。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。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 11 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;param_test2 = { </code> <code>&nbsp;</code><code>'max_depth'</code><code>:[</code><code>4</code><code>,</code><code>5</code><code>,</code><code>6</code><code>],</code> <code>&nbsp;</code><code>'min_child_weight'</code><code>:[</code><code>4</code><code>,</code><code>5</code><code>,</code><code>6</code><code>]</code> <code>}</code> <code>gsearch2 = GridSearchCV(estimator = XGBClassifier(&nbsp;&nbsp;&nbsp;&nbsp; learning_rate=</code><code>0.1</code><code>, n_estimators=</code><code>140</code><code>, max_depth=</code><code>5</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>2</code><code>, gamma=</code><code>0</code><code>, subsample=</code><code>0.8</code><code>, colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>, nthread=</code><code>4</code><code>, scale_pos_weight=</code><code>1</code><code>,seed=</code><code>27</code><code>), </code> <code>&nbsp;</code><code>param_grid = param_test2, scoring=</code><code>'roc_auc'</code><code>,n_jobs=</code><code>4</code><code>,iid=False, cv=</code><code>5</code><code>)</code> <code>gsearch2.fit(train[predictors],train[target])</code> <code>gsearch2.grid_scores_, gsearch2.best_params_,&nbsp;&nbsp;&nbsp;&nbsp; gsearch2.best_score_</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `至此，我们得到max_depth的理想取值为4，min_child_weight的理想取值为6。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。当然啦，你会发现，虽然min_child_weight的理想取值是6，但是我们还没尝试过大于6的取值。像下面这样，就可以尝试其它值。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 11 12 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;param_test2b = { </code> <code>&nbsp;</code><code>'min_child_weight'</code><code>:[</code><code>6</code><code>,</code><code>8</code><code>,</code><code>10</code><code>,</code><code>12</code><code>]</code> <code>&nbsp;</code><code>}</code> <code>gsearch2b = GridSearchCV(estimator = XGBClassifier(&nbsp;&nbsp;&nbsp;&nbsp; learning_rate=</code><code>0.1</code><code>, n_estimators=</code><code>140</code><code>, max_depth=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>2</code><code>, gamma=</code><code>0</code><code>, subsample=</code><code>0.8</code><code>,&nbsp;&nbsp;&nbsp;&nbsp; colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>, nthread=</code><code>4</code><code>, scale_pos_weight=</code><code>1</code><code>,seed=</code><code>27</code><code>), </code> <code>&nbsp;</code><code>param_grid = param_test2b,&nbsp;&nbsp;&nbsp;&nbsp; scoring=</code><code>'roc_auc'</code><code>,n_jobs=</code><code>4</code><code>,iid=False, cv=</code><code>5</code><code>)</code> <code>gsearch2b.fit(train[predictors],train[target])</code> &nbsp; <code>modelfit(gsearch3.best_estimator_, train, predictors)</code> <code>gsearch2b.grid_scores_, gsearch2b.best_params_,&nbsp;&nbsp;&nbsp;&nbsp; gsearch2b.best_score_</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `我们可以看出，6确确实实是理想的取值了。`
> 
> # `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5了。你其实也可以取更精确的gamma值。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;param_test3 = { </code> <code>&nbsp;</code><code>'gamma'</code><code>:[i/</code><code>10.0</code>&nbsp;<code>for</code>&nbsp;<code>i in range(</code><code>0</code><code>,</code><code>5</code><code>)]</code> <code>}</code> <code>gsearch3 = GridSearchCV(estimator = XGBClassifier( learning_rate =</code><code>0.1</code><code>, n_estimators=</code><code>140</code><code>, max_depth=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>6</code><code>, gamma=</code><code>0</code><code>, subsample=</code><code>0.8</code><code>, colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>, nthread=</code><code>4</code><code>, scale_pos_weight=</code><code>1</code><code>,seed=</code><code>27</code><code>), </code> <code>&nbsp;</code><code>param_grid = param_test3, scoring=</code><code>'roc_auc'</code><code>,n_jobs=</code><code>4</code><code>,iid=False, cv=</code><code>5</code><code>)</code> <code>gsearch3.fit(train[predictors],train[target])</code> <code>gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> `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，因为参数都有变化。 从这里可以看出，得分提高了。所以，最终得到的参数是：`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;xgb2 = XGBClassifier(</code> <code>&nbsp;</code><code>learning_rate =</code><code>0.1</code><code>,</code> <code>&nbsp;</code><code>n_estimators=</code><code>1000</code><code>,</code> <code>&nbsp;</code><code>max_depth=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>6</code><code>,</code> <code>&nbsp;</code><code>gamma=</code><code>0</code><code>,</code> <code>&nbsp;</code><code>subsample=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>,</code> <code>&nbsp;</code><code>nthread=</code><code>4</code><code>,</code> <code>scale_pos_weight=</code><code>1</code><code>,</code> <code>seed=</code><code>27</code><code>)</code> <code>modelfit(xgb2, train, predictors)</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> # `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。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 11 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;param_test4 = { </code> <code>&nbsp;</code><code>'subsample'</code><code>:[i/</code><code>10.0</code>&nbsp;<code>for</code>&nbsp;<code>i in range(</code><code>6</code><code>,</code><code>10</code><code>)],</code> <code>&nbsp;</code><code>'colsample_bytree'</code><code>:[i/</code><code>10.0</code>&nbsp;<code>for</code>&nbsp;<code>i in range(</code><code>6</code><code>,</code><code>10</code><code>)]</code> <code>}</code> <code>gsearch4 = GridSearchCV(estimator = XGBClassifier( learning_rate =</code><code>0.1</code><code>, n_estimators=</code><code>177</code><code>, max_depth=</code><code>3</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>4</code><code>, gamma=</code><code>0.1</code><code>, subsample=</code><code>0.8</code><code>, colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>, nthread=</code><code>4</code><code>, scale_pos_weight=</code><code>1</code><code>,seed=</code><code>27</code><code>), </code> <code>&nbsp;</code><code>param_grid = param_test4, scoring=</code><code>'roc_auc'</code><code>,n_jobs=</code><code>4</code><code>,iid=False, cv=</code><code>5</code><code>)</code> <code>gsearch4.fit(train[predictors],train[target])</code> <code>gsearch4.grid_scores_, gsearch4.best_params_, gsearch4.best_score_</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `从这里可以看出来，subsample 和 colsample_bytree 参数的理想取值都是0.8。现在，我们以0.05为步长，在这个值附近尝试取值。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;param_test5 = { </code> <code>&nbsp;</code><code>'subsample'</code><code>:[i/</code><code>100.0</code>&nbsp;<code>for</code>&nbsp;<code>i in range(</code><code>75</code><code>,</code><code>90</code><code>,</code><code>5</code><code>)],</code> <code>&nbsp;</code><code>'colsample_bytree'</code><code>:[i/</code><code>100.0</code>&nbsp;<code>for</code>&nbsp;<code>i in range(</code><code>75</code><code>,</code><code>90</code><code>,</code><code>5</code><code>)]</code> <code>}</code> <code>gsearch5 = GridSearchCV(estimator = XGBClassifier( learning_rate =</code><code>0.1</code><code>, n_estimators=</code><code>177</code><code>, max_depth=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>6</code><code>, gamma=</code><code>0</code><code>, subsample=</code><code>0.8</code><code>, colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>, nthread=</code><code>4</code><code>, scale_pos_weight=</code><code>1</code><code>,seed=</code><code>27</code><code>), </code> <code>&nbsp;</code><code>param_grid = param_test5, scoring=</code><code>'roc_auc'</code><code>,n_jobs=</code><code>4</code><code>,iid=False, cv=</code><code>5</code><code>)</code> <code>gsearch5.fit(train[predictors],train[target])</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `我们得到的理想取值还是原来的值。因此，最终的理想取值是:`
> 
> `subsample: 0.8 colsample_bytree: 0.8`
> 
> # `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。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;param_test6 = { </code> <code>&nbsp;</code><code>'reg_alpha'</code><code>:[1e-</code><code>5</code><code>, 1e-</code><code>2</code><code>, </code><code>0.1</code><code>, </code><code>1</code><code>, </code><code>100</code><code>]</code> <code>}</code> <code>gsearch6 = GridSearchCV(estimator = XGBClassifier( learning_rate =</code><code>0.1</code><code>, n_estimators=</code><code>177</code><code>, max_depth=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>6</code><code>, gamma=</code><code>0.1</code><code>, subsample=</code><code>0.8</code><code>, colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>, nthread=</code><code>4</code><code>, scale_pos_weight=</code><code>1</code><code>,seed=</code><code>27</code><code>), </code> <code>&nbsp;</code><code>param_grid = param_test6, scoring=</code><code>'roc_auc'</code><code>,n_jobs=</code><code>4</code><code>,iid=False, cv=</code><code>5</code><code>)</code> <code>gsearch6.fit(train[predictors],train[target])</code> <code>gsearch6.grid_scores_, gsearch6.best_params_, gsearch6.best_score_</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `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。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;param_test7 = { </code> <code>&nbsp;</code><code>'reg_alpha'</code><code>:[</code><code>0</code><code>, </code><code>0.001</code><code>, </code><code>0.005</code><code>, </code><code>0.01</code><code>, </code><code>0.05</code><code>]</code> <code>}</code> <code>gsearch7 = GridSearchCV(estimator = XGBClassifier( learning_rate =</code><code>0.1</code><code>, n_estimators=</code><code>177</code><code>, max_depth=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>6</code><code>, gamma=</code><code>0.1</code><code>, subsample=</code><code>0.8</code><code>, colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>, nthread=</code><code>4</code><code>, scale_pos_weight=</code><code>1</code><code>,seed=</code><code>27</code><code>), </code> <code>&nbsp;</code><code>param_grid = param_test7, scoring=</code><code>'roc_auc'</code><code>,n_jobs=</code><code>4</code><code>,iid=False, cv=</code><code>5</code><code>)</code> <code>gsearch7.fit(train[predictors],train[target])</code> <code>gsearch7.grid_scores_, gsearch7.best_params_, gsearch7.best_score_</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `可以看到，CV的得分提高了。现在，我们在模型中来使用正则化参数，来看看这个参数的影响。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;xgb3 = XGBClassifier(</code> <code>&nbsp;</code><code>learning_rate =</code><code>0.1</code><code>,</code> <code>&nbsp;</code><code>n_estimators=</code><code>1000</code><code>,</code> <code>&nbsp;</code><code>max_depth=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>6</code><code>,</code> <code>&nbsp;</code><code>gamma=</code><code>0</code><code>,</code> <code>&nbsp;</code><code>subsample=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>reg_alpha=</code><code>0.005</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>,</code> <code>&nbsp;</code><code>nthread=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>scale_pos_weight=</code><code>1</code><code>,</code> <code>&nbsp;</code><code>seed=</code><code>27</code><code>)</code> <code>modelfit(xgb3, train, predictors)</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `然后我们发现性能有了小幅度提高。`
> 
> # `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。`
> 
> <table> 
> <tbody> 
> <tr> 
> <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 </td> 
> <td> <code>&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;&lt;code&gt;xgb4 = XGBClassifier(</code> <code>&nbsp;</code><code>learning_rate =</code><code>0.01</code><code>,</code> <code>&nbsp;</code><code>n_estimators=</code><code>5000</code><code>,</code> <code>&nbsp;</code><code>max_depth=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>min_child_weight=</code><code>6</code><code>,</code> <code>&nbsp;</code><code>gamma=</code><code>0</code><code>,</code> <code>&nbsp;</code><code>subsample=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>colsample_bytree=</code><code>0.8</code><code>,</code> <code>&nbsp;</code><code>reg_alpha=</code><code>0.005</code><code>,</code> <code>&nbsp;</code><code>objective= </code><code>'binary:logistic'</code><code>,</code> <code>&nbsp;</code><code>nthread=</code><code>4</code><code>,</code> <code>&nbsp;</code><code>scale_pos_weight=</code><code>1</code><code>,</code> <code>&nbsp;</code><code>seed=</code><code>27</code><code>)</code> <code>modelfit(xgb4, train, predictors)</code> <code>&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;&lt;/code&gt;</code> </td> 
> </tr> 
> </tbody> 
> </table>
> 
> ``
> 
> `至此，你可以看到模型的表现有了大幅提升，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： 1、仅仅靠参数的调整和模型的小幅优化，想要让模型的表现有个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。确实是有一定的提升，但是没有达到质的飞跃。 2、要想让模型的表现有一个质的飞跃，需要依靠其他的手段，诸如，特征工程(feature egineering) ，模型组合(ensemble of model),以及堆叠(stacking)等。`
> 
> # `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。 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哦~`

[Link 1]: http://book.2cto.com/
[Python]: http://www.2cto.com/kf/web/Python/
[Link 2]: http://www.2cto.com/os/