XGBoost中参数调优的完整指南（含Python-3.X代码）

CSDN：http://blog.csdn.net/kicilove/article/

Github：https://github.com/zhaohuicici?tab=repositories

原文链接：https://www.analyticsvidhya.com/blog/2016/03/complete-guide-parameter-tuning-xgboost-with-codes-python/

引言

如果其他的预测模型无法满足你的预测需求时，请使用XGboost。 XGBoost算法已经成为许多数据科学家的终极武器。 这是一个足够强大的可以应对各种不寻常数据的高大上的算法。

使用XGBoost构建模型很容易。 但是，使用XGBoost改进模型很困难（至少于我来说还是很挣扎的）。 这个算法使用了很多个参数。 要想对模型进行改进，就必须对参数做出调整。 很多实际的问题，比如说你应该调整哪一个参数集合？要得到最优的输出结果参数的理想值是多少?，这些实际问题都是很难得到答案的。

本文适合与刚接触XGBoost的新人。 在本文中，我们将学习参数调优的技术以及有关XGBoost的一些有用信息。 此外，我们将使用Python中的数据集练习该算法。

关于XGBoost你需要知道什么

* XGBoost（eXtreme Gradient Boosting）*是梯度增强算法（GBM）的高级实现。 由于我在之前的文章 Complete Guide to Parameter Tuning in Gradient Boosting (GBM) in Python中详细介绍了Gradient Boosting Machine，所以强烈建议您先阅读本文。 这将有助于您加强对GBM的一般升级和参数调优的理解。

特别感谢：就个人而言，我要感谢Sudalai Rajkumar先生（又名SRK）提供的永久支持，目前是AV Rank 2。如果没有他的帮助，这篇文章是不可能的诞生的啦。 他正帮助着成千上万的数据科学家。 非常感谢SRK！

目录

1. XGBoost优势是什么
2. 了解XGBoost参数有哪些
3. 在实例中使用XGBoost并调参

1. XGBoost优势是什么

我一直钦佩在一个预测型的模型中这种算法注入了提升（boosting）的能力。 当我探索它的表现性能以及高准确性背后的科学道路时，发现了它身上有诸多的优点：

1. 正则化：
   
   • 标准的GBM实现过程中没有像XGBoost一样拥有正规化，因此XGBoost也有助于减少过度拟合。
   • 事实上，XGBoost也被称为“正规化提升”技术。
2. 并行处理：
   
   • XGBoost实现了并行处理，与GBM相比，速度惊人的快。
   • 我们知道提升（boosting）是一个顺序也就是串行的过程，XGBoost是怎样并行化的呢？ 注意xgboost的并行不是tree粒度的并行，xgboost也是一次迭代完才能进行下一次迭代的（第t次迭代的代价函数里包含了前面t-1次迭代的预测值）。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。 我希望你得到我来的地方。查看这个链接，进一步探索。
   • XGBoost还支持在Hadoop上实现。
3. 高度的灵活性
   
   • XGBoost允许用户自定义优化目标以及评估的准则。
   • 这就为模型的广泛性应用提供了无限的可能，有没有感受到‘为所欲为’。
4. 缺失值处理
   
   • XGBoost具有内置的规则来处理缺失的值，它可以自动学习出它的分裂方向。
5. 剪枝
   
   • GBM在遇到损失为负的分裂节点时会停止这个节点的继续分裂， 因此，它更像是一种贪心的算法。
   • 另一方面，当我们指定树的最大深度（max_depth）时，XGBoost就会以这个指定的最大树深为上限去剪枝。具体来说就是，XGBoost先从上到下建立出所有可能的子树，然后根据我们设定的max_depth，从下到上反向进行剪枝，并且也会移除负增益的分割树。
   • 当我们遇到一个比如说为-2的负损失分裂点然后它后面又跟着一个为+10的正损失的分裂时， GBM将在遇到-2时停止，而XGBoost将会继续深入分割，并且会看到一个组合出来为+8的分裂效果。
6. 内置交叉验证
   
   • XGBoost允许用户在每一轮boosting过程中的每次迭代中使用交叉验证，因此很容易获得最优boosting迭代次数；
   • GBM必须使用网格搜索，因此只能测试有限个值。
7. 在之前存在的模型上继续训练
   
   • 用户可以从上次运行的最后一次迭代开始训练XGBoost模型。 这在特定的应用中优势还是比较明显的。
   • GBM在sklearn的实现中也有这个特点。

我希望现在你明白了XGBoost的绝对优势。 请注意，这些只是XGBoost的部分要点。 还待你发现更多？

您可以参考以下网页以获得更深入的了解：

• XGBoost Guide – Introduction to Boosted Trees
• Words from the Author of XGBoost [Video]

2. 了解XGBoost参数有哪些

XGBoost的作者把参数整体分为3类：

1. 普遍意义的参数：指导整个函数的
2. 提升器（Booster）参数：在每一步中引导单个的加速器（Booster）（树/回归）
3. 带有学习任务的参数：指导优化的过程

强烈建议阅读这篇与GBM对比的文章。

下面介绍这些参数

1. 普遍意义的参数：

下面这些参数指导XGBoost的整体过程。

1. booster[default=gbtree]
   
   • 在每次迭代中选择模型的类型，有2个选项：
     
     • gbtree: 基于树的模型
     • gblinear: 基于回归的模型
2. silent[default=0]
   
   • 激活Silent mode就设置为1，即正在运行的消息不会被打印。
   • 默认为0，好处就是帮助我们理解模型运行状况。
3. nthread[defaulttomaximumnumberofthreadsavailableifnotset]
   
   • 这个参数用于并行处理，系统中的核的数量
   • 如果想运行所有的核，就不用再输入nthread的值，因为默认情况就是使用所有核。

还有另外两个参数是由XGBoost自动设置的，下面继续探索Booster参数。

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

虽然有两种类型的Booster，这里只讨论树式Booster。

1.  eta [default=0.3]
   
   • 与GBM中的eta类似。
   • 在每一步中收缩权重使得模型更加稳健。
   • 通常设置值为： 0.01−0.2
2. min_child_weight [default=1]
   
   • 孩子节点中最小的样本权重和。如果一个叶子节点的样本权重和小于min_child_weight则拆分过程结束。在现行回归模型中，这个参数是指建立每个模型所需要的最小样本数。该成熟越大算法越conservative
   • 这与GBM中的min_child_leaf类似，但不完全相同，XGBoost指 min “sum of weights” of observations 而 GBM 为 min “number of observations”。
   • 可用于控制过拟合。太高的值可能导致欠拟合，应使用CV进行调参。
3. max_depth [default=6]
   
   • 与GBM一样，定义了一棵树的最大深度。
   • 用于控制过拟合，因为较高的深度会使模型对一些样本学习到特定关系，而这种关系又不是泛化的。
   • 适合用CV进行调整值的大小。
   • 通常设置值为： 3−10
4. max_leaf_nodes
   
   • 树中节点或树叶的最大数量。
   • 有时可以代替max_depth。 如：二叉树，深度“n”将产生最大2 ^ n个叶。
   • 如果这样，GBM可以忽略max_depth。

5. gamma [default=0]

   • 只有当损失函数以正值减少时，节点才会分割。 Gamma指定了进行分割时所需的最小损失的减少量。
   • 使算法比较保守。 Gamma值可以根据损失函数调整大小。

6. max_delta_step [default=0]

   • 如果 max_delta_step 设置为0，表示没有约束。 可以取正值。
   • 这个参数不是必须要设定的。在逻辑回归中，当类别比例非常不平衡时，这个参数很有用。
7. subsample [default=1]
   
   • 与GBM取子样本一样，都是对总体进行随机采样出子样本占总体的比例。
   • 较低的值使算法比较保守，可以防止过度拟合，但太小的值可能会导致欠拟合。
   • 通常设置值为： 0.5−1
8. colsample_bytree [default=1]
   
   • 类似于GBM中的max_features。 表示随机抽取的列数占总列数的比例。
   • 通常设置值为： 0.5−1
9. colsample_bylevel [default=1]
   
   • 表示每个层中用于拆分时的列数占比（相当于选出的列数的再比例）。
   • 这个参数不常用，因为subsample和 colsample_bytree可以替代这个参数的作用。
10.  lambda [default=1]
    
    • L2 对权重正则化（Ridge回归也是 L2 ）
    • 这用于XGBoost的正则化部分。 虽然许多数据科学家一般不用它，但是减少过拟合的时候还是要用一下的。
11. alpha [default=0]
    
    • L1 对权重正则化（类似于Lasso回归的 L1 ）
    • 维度较高时使用，可以运行得更快
12. scale_pos_weight [default=1]
    
    • 数值大于0，在样本的类非常不均衡时使用有助于快速收敛。

3.带有学习任务的参数：指导优化的过程

这些参数用于定义优化的目标，在一步计算的度量。

1. objective [default=reg:linear]
   
   • 这个参数定义了要最小化的损失函数。 有如下选择：
     
     • binary:logistic ：用于二分类的逻辑回归，返回值为概率，非类别。
     • multi:softmax ：使用softmax目标的多类分类返回预测类（不是概率）。
       
       • 还需设置一个num_class（number of classes）参数来定义类的数量。
     • multi:softprob ： 与softmax相同，但返回的是每个样本属于每个类的预测概率而不是类别。
2. eval_metric [ default according to objective ]
   
   • 默认值为rmse用于回归，错误率用于分类。
   • 可选值有：
     
     •  rmse – root mean square error
     • mae – mean absolute error
     • logloss – negative log-likelihood
     • error – Binary classification error rate (0.5 threshold)
     • merror – Multiclass classification error rate
     • mlogloss  – Multiclass logloss
     • auc : Area under the curve
3. seed [default=0]
   
   • 种子随机数。
   • 使采样的结果与之前相同以及参数调整。

如果使用Scikit-Learn，这些参数名称可能不太熟悉。 可喜的是，python中的xgboost模块有一个名为XGBClassifier的sklearn封装。 有些参数名称变化如下：

1. eta –> learning_rate
2. lambda –> reg_lambda
3. alpha –> reg_alpha

好像我们已经定义了在XGBoost与GBM中相似的所有参数，除了GBM中的 ‘n_estimators’ 参数。 其实它出现在XGBClassifier的参数中，在标准xgboost中拟合函数的时候，以 “num_boosting_rounds ”的形式传递。

建议您通过xgboost指南更好地了解参数和代码：

1. XGBoost Parameters (official guide)
2. XGBoost Demo Codes (xgboost GitHub repository)
3. Python API Reference (official guide)

3. 在实例中使用XGBoost并调参

我们将从Data Hackathon 3.x AV hackathon中获取数据集，与GBM文章中的数据集相同。 细节可以在此页面找到。 您可以从这里下载数据集。 执行步骤如下：

1. 城市变量类别太多，舍弃
2. DOB转换为Age | DOB
3. 创建 EMI_Loan_Submitted_Missing，如果EMI_Loan_Submitted是missing则设置为1，否则为0 |原始变量EMI_Loan_Submitted舍弃
4. 雇主名称因为类别太多而被删除
5. Existing_EMI缺失的用0补（中位数），因为只有111个值是缺失状态
6. 如果Interest_Rate缺失，则为Interest_Rate_Missing创建1，否则为0 |原始变量Interest_Rate舍弃
7. Lead_Creation_Date舍弃，直觉上认为对结果没影响
8. Loan_Amount_Applied，Loan_Tenure_Applied以中位数填充
9. 创建Loan_Amount_Submitted_Missing，如果Loan_Amount_Submitted值缺失则取1，否则取0，原始变量Loan_Amount_Submitted舍弃
10. 创建Loan_Tenure_Submitted_Missing，如果Loan_Tenure_Submitted值缺失，则取1，否则为 0 |原始变量Loan_Tenure_Submitted舍弃
11. LoggedIn，Salary_Account删除
12. 创建Processing_Fee_Missing，如果Processing_Fee值缺失，则为1，否则为0 |原始变量Processing_Fee删除
13. Source - 第2名保持原样，所有其他组合成不同的类别
14. 进行数值和单热编码（One-Hot-Coding）

开始，导入所需的库并加载数据：

#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'

请注意，我已经导入了2种形式的XGBoost：

1. xgb - 直接使用xgboost库。 我将使用该库中的特定函数“cv”
2. XGBClassifier - 这是XGBoost的sklearn封装。 可以在并行过程中使用与GBM相同sklearn’s Grid Search。

先定义一个函数，帮助我们创建XGBoost模型并执行交叉验证。这个也可以用在你自己的模型中。

def modelfit(alg, dtrain, predictors,useTrainCV=True, cv_folds=5, early_stopping_rounds=50):

    if useTrainCV:
        xgb_param = alg.get_xgb_params()
        xgtrain = xgb.DMatrix(dtrain[predictors].values, label=dtrain[target].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])

    #Fit the algorithm on the data
    alg.fit(dtrain[predictors], dtrain['Disbursed'],eval_metric='auc')

    #Predict training set:
    dtrain_predictions = alg.predict(dtrain[predictors])
    dtrain_predprob = alg.predict_proba(dtrain[predictors])[:,1]

    #Print model report:
    print ("\nModel 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))

    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')

这个代码与用于GBM的代码略有不同。 本文的重点是涵盖概念而不是编码。 注意，xgboost的sklearn封装没有“feature_importances”指标，它使用get_fscore（）函数做相同的事情。

参数调优的一般方法

我们将使用类似于GBM的方法。 几个步骤如下：

1. 选择相对较高的学习率（high learning rate）。 一般选用0.1，有时0.05到0.3之间也行，看具体问题。 XGBoost有个非常有用的“cv”函数，可以用来确定该学习率下的最优树的颗数（optimum number of trees for this learning rate. ）， 它在每次 boosting迭代时执行交叉验证，返回所需的最优树的颗数。
2. 调整树的特定参数（Tune tree-specific parameters）（max_depth，min_child_weight，gamma，subsample，colsample_bytree），以确定学习速率和树的颗数。 请注意，我们可以选择不同的参数来定义一个树，我将在这里介绍一个例子。
3. 调整xgboost的正则化参数（regularization parameters ）（lambda，alpha），这有助于降低模型复杂性并提高性能。
4. 降低学习率（Lower the learning rate）并决定最佳参数。

让我们来看一个更详细的一步一步的实现方法。

Step 1: Fix learning rate and number of estimators for tuning tree-based parameters

为了确定boosting参数，我们需要设置其他参数的初始值。 让我们取下列值：

1. max_depth = 5 ：这应该在3-10之间。 我已经开始使用5，但是您也可以选择不同的数字。 4-6可以。
2. min_child_weight = 1 ：选择较小的值，因为它会使类非常不平衡，也可能使叶节点组员较少。
3. gamma = 0 ：也可以选择像0.1-0.2这样较小的值来启动，这个后面会一直调整变动。
4. subsample，colsample_bytree = 0.8 ：这是一个常用的使用起始值。 常取值介于0.5-0.9之间。
5. scale_pos_weight = 1 ：因为类非常不均衡。

请注意，以上只是设定初始值，后面会进行参数调优。 这里默认学习率为0.1，使用xgboost的cv函数检查最优树的颗数，上面定义的函数可以实现这个功能。

#Choose all predictors except target & IDcols
predictors = [x for x in train.columns if x not in [target, IDcol]]
xgb1 = XGBClassifier(
 learning_rate =0.1,
 n_estimators=1000,
 max_depth=5,
 min_child_weight=1,
 gamma=0,
 subsample=0.8,
 colsample_bytree=0.8,
 objective= 'binary:logistic',
 nthread=4,
 scale_pos_weight=1,
 seed=27)
modelfit(xgb1, train, predictors)

正如你所看到的，在学习率为0.1的情况下，得到140为最优的估计量个数。 请注意，根据你运行系统的情况，此值可能太高。 在这种情况下，您可以增加学习率并重新运行命令以获得减少的估计量数。

注意：这里输出结果中testAUC可视为′AUCScore（Test）′。但是，如果您尝试在系统上运行命令，因为数据未公开，则不会出现此错误。它在这里提供仅供参考。生成此输出的代码部分已在此处删除。

Step 2: Tune max_depth and min_child_weight

首先调整对模型输出结果影响最大的参数。 首先，我们先设置较宽的范围，然后再用较小范围执行另一次迭代。

重要提示：我将在本节中进行运行压力较大的网格搜索，根据您的系统，可能需要15-30分钟甚至更多时间才能运行。 您可以根据系统来更改您要测试的值。

param_test1 = {
 'max_depth':range(3,10,2),
 'min_child_weight':range(1,6,2)
}
gsearch1 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=140, max_depth=5,
 min_child_weight=1, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1, seed=27), 
 param_grid = param_test1, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch1.fit(train[predictors],train[target])
gsearch1.grid_scores_, gsearch1.best_params_, gsearch1.best_score_

这里，我们已经运行12个组合。 max_depth的理想值为5，min_child_weight的理想值为5。 让我们深入一步，寻找最佳值。 我们将搜索间隔为1上下的最佳值，因为之前间隔都是2。

param_test2 = {
 'max_depth':[4,5,6],
 'min_child_weight':[4,5,6]
}
gsearch2 = GridSearchCV(estimator = XGBClassifier( learning_rate=0.1, n_estimators=140, max_depth=5,
 min_child_weight=2, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test2, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch2.fit(train[predictors],train[target])
gsearch2.grid_scores_, gsearch2.best_params_, gsearch2.best_score_

这一次，我们得到最佳值为4为max_depth和为6的min_child_weight。 此外，我们可以看到CV得分增加较轻。 请注意，随着模型性能的提高，要想在哪怕是边缘性能的提升都是指数级的困难。 你会注意到，这里我们得到6作为min_child_weight的最优值，但是我们还没有尝试超过6的值。我们可以这样做：

param_test2b = {
 'min_child_weight':[6,8,10,12]
}
gsearch2b = GridSearchCV(estimator = XGBClassifier( learning_rate=0.1, n_estimators=140, max_depth=4,
 min_child_weight=2, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test2b, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch2b.fit(train[predictors],train[target])

modelfit(gsearch3.best_estimator_, train, predictors)
gsearch2b.grid_scores_, gsearch2b.best_params_, gsearch2b.best_score_

我们看到6还是最佳值。

Step 3: Tune gamma

现在可以使用上面已调整的参数来调整gamma值。 Gamma这里尝试5个值。 也可以使用更精确的数值。

param_test3 = {
 'gamma':[i/10.0 for i in range(0,5)]
}
gsearch3 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=140, max_depth=4,
 min_child_weight=6, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test3, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch3.fit(train[predictors],train[target])
gsearch3.grid_scores_, gsearch3.best_params_, gsearch3.best_score_

这表明我们的原始伽玛值，即0是最佳值。 在继续之前，一个好想法是重新校准更新参数的 boosting rounds 。

xgb2 = XGBClassifier(
 learning_rate =0.1,
 n_estimators=1000,
 max_depth=4,
 min_child_weight=6,
 gamma=0,
 subsample=0.8,
 colsample_bytree=0.8,
 objective= 'binary:logistic',
 nthread=4,
 scale_pos_weight=1,
 seed=27)
modelfit(xgb2, train, predictors)

在这里，我们可以看到得分有所改善。 所以最终的参数是：

• max_depth: 4
• min_child_weight: 6
• gamma: 0

Step 4: Tune subsample and colsample_bytree

下一步将尝试不同的subsample和colsample_bytree值。 让我们分两个阶段完成，取0.6,0.7,0.8,0.9为他们的初始值。

param_test4 = {
 'subsample':[i/10.0 for i in range(6,10)],
 'colsample_bytree':[i/10.0 for i in range(6,10)]
}
gsearch4 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=4,
 min_child_weight=6, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test4, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch4.fit(train[predictors],train[target])
gsearch4.grid_scores_, gsearch4.best_params_, gsearch4.best_score_

这里，我们发现0.8为subsample和colsample_bytree的最优值。 现在我们应该尝试在0.05间隔周围的值。

param_test5 = {
 'subsample':[i/100.0 for i in range(75,90,5)],
 'colsample_bytree':[i/100.0 for i in range(75,90,5)]
}
gsearch5 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=4,
 min_child_weight=6, gamma=0, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test5, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch5.fit(train[predictors],train[target])

这一次得到的最优值和上面相同，因此最优值为：

• subsample: 0.8
• colsample_bytree: 0.8

Step 5: Tuning Regularization Parameters

下一步是应用正则化来减少过度拟合。 尽管许多人不太使用这些参数，因为gamma提供了一种控制复杂性的实质方法。 但我们应该尝试使用它。 我会在这里调整“reg_alpha”值，并留给你尝试不同的’reg_lambda’值。

param_test6 = {
 'reg_alpha':[1e-5, 1e-2, 0.1, 1, 100]
}
gsearch6 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=4,
 min_child_weight=6, gamma=0.1, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test6, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch6.fit(train[predictors],train[target])
gsearch6.grid_scores_, gsearch6.best_params_, gsearch6.best_score_

我们可以看到CV得分小于之前的情况。 但是尝试的值非常广，我们应该尝试更接近于最优的值（0.01），看看是否得到更好的结果。

param_test7 = {
 'reg_alpha':[0, 0.001, 0.005, 0.01, 0.05]
}
gsearch7 = GridSearchCV(estimator = XGBClassifier( learning_rate =0.1, n_estimators=177, max_depth=4,
 min_child_weight=6, gamma=0.1, subsample=0.8, colsample_bytree=0.8,
 objective= 'binary:logistic', nthread=4, scale_pos_weight=1,seed=27), 
 param_grid = param_test7, scoring='roc_auc',n_jobs=4,iid=False, cv=5)
gsearch7.fit(train[predictors],train[target])
gsearch7.grid_scores_, gsearch7.best_params_, gsearch7.best_score_

可以看到我们得到一个更好的CV。 现在我们可以在模型中应用这种正则化，看看影响：

xgb3 = XGBClassifier(
 learning_rate =0.1,
 n_estimators=1000,
 max_depth=4,
 min_child_weight=6,
 gamma=0,
 subsample=0.8,
 colsample_bytree=0.8,
 reg_alpha=0.005,
 objective= 'binary:logistic',
 nthread=4,
 scale_pos_weight=1,
 seed=27)
modelfit(xgb3, train, predictors)

再次，我们可以看到得分略有改善。

Step 6: Reducing Learning Rate

最后，我们应该降低学习率，增加更多的树。 让我们用XGBoost的cv函数再次做这个工作。

xgb4 = XGBClassifier(
 learning_rate =0.01,
 n_estimators=5000,
 max_depth=4,
 min_child_weight=6,
 gamma=0,
 subsample=0.8,
 colsample_bytree=0.8,
 reg_alpha=0.005,
 objective= 'binary:logistic',
 nthread=4,
 scale_pos_weight=1,
 seed=27)
modelfit(xgb4, train, predictors)

现在我们可以看到性能的显着提高，参数调整后的效果更加明显。

最后，我想分享两个关键的想法：

1. 通过使用参数调整或稍微更好的模型，很难在结果上获得巨大的飞跃。 GBM的最高分数为0.8487，而XGBoost则为0.8494。 改进是有的但是也并没有达到惊艳。
2. 通过特征工程，创建模型集合，比如stacking等其他方法可以获得显着的飞跃。

您还可以从我的GitHub帐户下载所有这些代码的iPython notebook。 对于R中的实现代码，可以参考这篇文章。

End Notes

本文实现了端到端的基于XGBoost模型的参数调优。 我们首先讨论为什么XGBoost比GBM具有更好的性能，然后详细讨论了所涉及的各种参数。 我们还定义了一个通用函数，可以重新用于其他模型。

最后，我们讨论了解决XGBoost问题的一般方法，并通过该方法制定了AV Data Hackathon 3.x问题。

我希望你发现这很有用并更有信心应用XGBoost来解决数据科学问题。