论XGBOOST科学调参

XGBOOST的威力不用赘述，反正我是离不开它了。

具体XGBOOST的原理可以参见之前的文章《比XGBOOST更快--LightGBM介绍》

今天说下如何调参。

1. bias-variance trade-off

文艺青年的调参一般这样的：

1. 设定参数{parm}，评判指标{metrics}；

2. 根据{metrics}在验证集上的大小，确定树的棵树n_estimators；

3. 采用参数{parm}、n_estimators，训练模型，并应用到测试集

一个字：糙！（kuai）

数据挖掘师的调参一般这样的：

1. 设定基础参数{parm0}，基础评判指标{metrics0}；

2. 在训练集上做cross-validation，做训练集/交叉验证集上偏差/方差与树棵树的关系图；

3. 判断模型是过拟合 or 欠拟合，更新相应参数{parm1}；

4. 重复2、3步，确定树的棵树n_estimators；

5. 采用参数{parm1}、n_estimators，训练模型，并应用到测试集；

在设置了基础参数，设定了树的范围后，可以看到模型在训练集和交叉验证集上的效果是这样子滴：

阴影部分，表示的是模型的方差

从上图，可以得出以下几个结论：

- 验证集上偏差最小&方差最小：n_estimators=66

- 训练集和验证集误差较大：过拟合-----模型过于复杂

- 方差较大----模型过于复杂

这符合下面这个图

以上特征，都表明我们需要降低模型复杂程度，有哪些参数可以调整呢：

- 直接降低模型复杂度

max_depth、min_child_weight、gamma

- 随机化

subsample、colsample_bytree

- 正则化

lambda、alpha

通过，grid-search，再调整了以上的参数后，如下图。最佳trade-off点的variance从0.361降低到0.316，auc_mean从0.8312降低到0.8308。

P-R的提升还是比较明显的：

2. 非平衡数据集怎么办

-- 想办法弄到更多的数据

-- 想办法把数据弄平衡

-- 利用smote等算法来过采样/欠采样

-- 设置weight（初始化DMatrix时）

-- 使用更好的metrics：auc、f1

-- min_child_weight 设的小一点

-- scale_pos_weight = 0值的样本数量/1值的样本数量

-- max_delta_step

-- 自定义评价函数

xgb.train(params, dtrain, num_rounds, watchlist, feval=misclassified, maximize=False)

def misclassified(pred_probs, dtrain):

    labels = dtrain.get_label() # obtain true labels

    preds = pred_probs > 0.5 # obtain predicted values

    return 'misclassified', np.sum(labels != preds)

对数据感兴趣的小伙伴，欢迎交流，微信公共号:一白侃数