XGBoost调优指南

作者: Quan Chen

一. XGBoost介绍

XGBoost算法可以给预测模型带来能力的提升。它具有很多优势：

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。

并行处理

• XGBoost可以实现并行处理，相比GBM有了速度的飞跃。
• xgboost的并行是在特征粒度上的。我们知道，决策树的学习最耗时的一个步骤就是对特征的值进行排序（因为要确定最佳分割点），xgboost在训练之前，预先对数据进行了排序，然后保存为block结构，后面的迭代中重复地使用这个结构，大大减小计算量。这个block结构也使得并行成为了可能，在进行节点的分裂时，需要计算每个特征的增益，最终选增益最大的那个特征去做分裂，那么各个特征的增益计算就可以开多线程进行。
• 可并行的近似直方图算法。树节点在进行分裂时，我们需要计算每个特征的每个分割点对应的增益，即用贪心法枚举所有可能的分割点。当数据无法一次载入内存或者在分布式情况下，贪心算法效率就会变得很低，所以xgboost还提出了一种可并行的近似直方图算法，用于高效地生成候选的分割点。
• XGBoost 也支持Hadoop实现。

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。

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。

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。

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。
• GBM使用网格搜索，只能检测有限个值。

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。

总的来说GBM的参数可以被归为三类：

• 树参数： 调节模型中每个决定树的性质

• Boosting参数： 调节模型中boosting的操作

• 其他模型参数： 调节模型总体的各项运作

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tIK610iJ-1572667377607)(img/tree-infographic.png)]

图 决策树的一般结构

宏观参数

• 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：基于线性的模型

• 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。

• 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。

提升器（Booster）参数：在每一步中引导单个的加速器（Booster）（树/回归）

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. num_boosting_rounds
   这是生成的最大树的数目，也是最大的迭代次数。
2. learning_rate(或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。
3. 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。
4. 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
5. 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n2n^2n
   2 个叶子。
   如果定义了这个参数，GBM会忽略max_depth参数。
6. 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。
7. 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。
8. 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
9. 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
10. 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。
11. 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。
12. 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。
13. 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。