一、xgboost简介:
全称:eXtreme Gradient Boosting
作者:陈天奇(华盛顿大学博士)
基础:GBDT
所属:boosting迭代型、树类算法。
适用范围:分类、回归
优点:速度快、效果好、能处理大规模数据、支持多种语言、支持自定义损失函数等等。
缺点:算法参数过多,调参负责,对原理不清楚的很难使用好XGBoost。不适合处理超高维特征数据。
项目地址:https://github.com/dmlc/xgboost
二、参数速查
参数分为三类:
通用参数:宏观函数控制。
Booster参数:控制每一步的booster(tree/regression)。
学习目标参数:控制训练目标的表现。
二、回归
from xgboost.sklearn import XGBRegressor from sklearn.model_selection import ShuffleSplit import xgboost as xgb xgb_model_ = XGBRegressor(n_thread=8) cv_split = ShuffleSplit(n_splits = 6,train_size=0.7,test_size=0.2) xgb_params={'max_depth':[4,5,6,7], 'learning_rate':np.linspace(0.03,0.3,10), 'n_estimators':[100,200]} xgb_search = GridSearchCV(xgb_model_, param_grid=xgb_params, scoring='r2', iid=False, cv=5) xgb_search.fit(gbdt_train_data,gbdt_train_label) print(xgb_search.grid_scores_) print(xgb_search.best_params_) print(xgb_search.best_score_)
1.xgboost不支持MAE的解决方法
xgboost支持自定义目标函数,但是要求目标函数必须二阶可到,我们必须显示给出梯度(一阶导)和海瑟矩阵(二阶导),但是MAE不可导,
(1)xgboost自带的MSE,与MAE相距较远。比较接近的损失有Huber Loss 以及 Fair Loss。
MSE
Huber Loss
Fair Loss:$c^2(frac{|x|}{c}-ln(frac{|x|}{c}+1))$
Psuedo-Huber loss
Fair Loss代码:代码来自solution in the Kaggle Allstate Challenge.
def fair_obj(preds, dtrain): """y = c * abs(x) - c**2 * np.log(abs(x)/c + 1)""" x = preds - dtrain.get_labels() c = 1 den = abs(x) + c grad = c*x / den hess = c*c / den ** 2 return grad, hess
Psuedo-Huber loss代码:
import xgboost as xgb dtrain = xgb.DMatrix(x_train, label=y_train) dtest = xgb.DMatrix(x_test, label=y_test) param = {'max_depth': 5} num_round = 10 def huber_approx_obj(preds, dtrain): d = preds - dtrain.get_labels() #remove .get_labels() for sklearn h = 1 #h is delta in the graphic scale = 1 + (d / h) ** 2 scale_sqrt = np.sqrt(scale) grad = d / scale_sqrt hess = 1 / scale / scale_sqrt return grad, hess bst = xgb.train(param, dtrain, num_round, obj=huber_approx_obj)
具体可参考:kaggle 讨论 | Xgboost-How to use “mae” as objective function?
(2)自定义近似MAE导数:直接构造MAE的导数
Log-Cosh Loss function:$left.log(cosh(h(mathbf{x}_{i})-y_{i}))ight.$,$left.cosh(x)=frac{e^{x}+e^{-x}}{2}ight.$
Log-cosh代码如下:
def log_cosh_obj(preds, dtrain): x = preds - dtrain.get_labels() grad = np.tanh(x) hess = 1 / np.cosh(x)**2 return grad, hess
具体参考:kaggle 讨论
三、分类
前提:已经处理完所有数据,现在开始训练.
#Import libraries: import pandas as pd import numpy as np import xgboost as xgb from xgboost.sklearn import XGBClassifier from sklearn import cross_validation, metrics #Additional scklearn functions from sklearn.grid_search import GridSearchCV #Perforing grid search import matplotlib.pylab as plt %matplotlib inline from matplotlib.pylab import rcParams rcParams['figure.figsize'] = 12, 4 train = pd.read_csv('train_modified.csv') target = 'Disbursed' IDcol = 'ID'
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。
test_results = pd.read_csv('test_results.csv') def modelfit(alg, dtrain, dtest, predictors,useTrainCV=True, cv_folds=5, early_stopping_rounds=50): '''
功能:训练,测试,输出AUC,画出重要特征的功能 参数:alg是分类器,dtrain是训练集(包括label),dtest是测试集(不包括label),predictors是要参与训练的特征(不包括label), useTrainCV是是否要交叉验证,cv_folds是交叉验证的折数,early_stopping_rounds是到指定次数就停止继续迭代
''' if useTrainCV: xgb_param = alg.get_xgb_params() xgtrain = xgb.DMatrix(dtrain[predictors].values, label=dtrain[target].values) xgtest = xgb.DMatrix(dtest[predictors].values) cvresult = xgb.cv(xgb_param, xgtrain, num_boost_round=alg.get_params()['n_estimators'], nfold=cv_folds, metrics='auc', early_stopping_rounds=early_stopping_rounds, show_progress=False) alg.set_params(n_estimators=cvresult.shape[0]) #训练 alg.fit(dtrain[predictors], dtrain['Disbursed'],eval_metric='auc') #预测 dtrain_predictions = alg.predict(dtrain[predictors]) dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,1] #输出accuracy、AUC分数 print " Model Report" print "Accuracy : %.4g" % metrics.accuracy_score(dtrain['Disbursed'].values, dtrain_predictions) print "AUC Score (Train): %f" % metrics.roc_auc_score(dtrain['Disbursed'], dtrain_predprob) #预测测试集,输出测试集的AUC分数 dtest['predprob'] = alg.predict_proba(dtest[predictors])[:,1] results = test_results.merge(dtest[['ID','predprob']], on='ID') print 'AUC Score (Test): %f' % metrics.roc_auc_score(results['Disbursed'], results['predprob']) feat_imp = pd.Series(alg.booster().get_fscore()).sort_values(ascending=False) feat_imp.plot(kind='bar', title='Feature Importances') plt.ylabel('Feature Importance Score')
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。
调参步骤:
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。
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。
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。
降低学习速率,确定理想参数。
初始参数设置:
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。
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。
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。
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。
scale_pos_weight = 1: 这个值是因为类别十分不平衡。
注意,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。
参考文献:
【2】Complete Guide to Parameter Tuning in XGBoost (with codes in Python)
【3】xgboost调参(很全)
【5】机器学习算法之XGBoost(非常详细)