在 Kaggle 的很多比赛中,我们可以看到很多 winner 喜欢用 XGBoost,而且获得非常好的表现,今天就来看看 XGBoost到底是什么以及如何应用。
本文结构:
什么是 XGBoost?
XGBoost :eXtreme Gradient Boosting
项目地址:https://github.com/dmlc/xgboost
是由 Tianqi Chen http://homes.cs.washington.edu/~tqchen/ 最初开发的实现可扩展,便携,分布式 gradient boosting (GBDT, GBRT or GBM) 算法的一个库,可以下载安装并应用于 C++,Python,R,Julia,Java,Scala,Hadoop,现在有很多协作者共同开发维护。
XGBoost 所应用的算法就是 gradient boosting decision tree,既可以用于分类也可以用于回归问题中。
那什么是 Gradient Boosting?
Gradient boosting 是 boosting 的其中一种方法
所谓 Boosting ,就是将弱分离器 f_i(x) 组合起来形成强分类器 F(x) 的一种方法。
所以 Boosting 有三个要素:
Gradient boosting 就是通过加入新的弱学习器,来努力纠正前面所有弱学习器的残差,最终这样多个学习器相加在一起用来进行最终预测,准确率就会比单独的一个要高。之所以称为 Gradient,是因为在添加新模型时使用了梯度下降算法来最小化的损失。
第一种 Gradient Boosting 的实现就是 AdaBoost(Adaptive Boosting)。
AdaBoost 就是将多个弱分类器,通过投票的手段来改变各个分类器的权值,使分错的分类器获得较大权值。同时在每一次循环中也改变样本的分布,这样被错误分类的样本也会受到更多的关注。
为什么要用 XGBoost?
前面已经知道,XGBoost 就是对 gradient boosting decision tree 的实现,但是一般来说,gradient boosting 的实现是比较慢的,因为每次都要先构造出一个树并添加到整个模型序列中。
而 XGBoost 的特点就是计算速度快,模型表现好,这两点也正是这个项目的目标。
表现快是因为它具有这样的设计:
下图就是 XGBoost 与其它 gradient boosting 和 bagged decision trees 实现的效果比较,可以看出它比 R, Python,Spark,H2O 中的基准配置要更快。
另外一个优点就是在预测问题中模型表现非常好,下面是几个 kaggle winner 的赛后采访链接,可以看出 XGBoost 的在实战中的效果。
KDD Cup 2016 competition https://kddcup2016.azurewebsites.net/ Link to the arxiv paper. http://arxiv.org/abs/1609.02728 Dato Truely Native? competition. https://www.kaggle.com/c/dato-native Link to the Kaggle interview. http://blog.kaggle.com/2015/12/03/dato-winners-interview-1st-place-mad-professors/ CERN LHCb experiment Flavour of Physics competition. https://www.kaggle.com/c/flavours-of-physics Link to the Kaggle interview. http://blog.kaggle.com/2015/11/30/flavour-of-physics-technical-write-up-1st-place-go-polar-bears/
怎么应用?
先来用 Xgboost 做一个简单的二分类问题,以下面这个数据为例,来判断病人是否会在 5 年内患糖尿病,这个数据前 8 列是变量,最后一列是预测值为 0 或 1。
引入 XGBoost等包
分出变量和标签
将数据分为训练集和测试集,测试集用来预测,训练集用来学习模型
XGBoost 有封装好的分类器和回归器,可以直接用 XGBClassifier 建立模型。
http://xgboost.readthedocs.io/en/latest/python/python_api.html#module- xgboost.sklearn
XGBoost 的结果是每个样本属于第一类的概率,需要用 round 将其转换为 0 1 值
得到 Accuracy: 77.95%
2. 监控模型表现
XGBoost 可以在模型训练时,评价模型在测试集上的表现,也可以输出每一步的分数。
只需要将
变为:
那么它会在每加入一颗树后打印出 logloss
并打印出 Early Stopping 的点:
gradient boosting 还有一个优点是可以给出训练好的模型的特征重要性,这样就可以知道哪些变量需要被保留,哪些可以舍弃。
需要引入下面两个类
和前面的代码相比,就是在 fit 后面加入两行画出特征的重要性
如何调参呢,下面是三个超参数的一般实践最佳值,可以先将它们设定为这个范围,然后画出 learning curves,再调解参数找到最佳模型:
接下来我们用 GridSearchCV 来进行调参会更方便一些:
可以调的超参数组合有:
树的个数和大小(n_estimators and max_depth). 学习率和树的个数 (learning_rate and n_estimators). 行列的 subsampling rates (subsample, colsample_bytree and colsample_bylevel).
下面以学习率为例:
先引入这两个类
设定要调节的 learning_rate = [0.0001, 0.001, 0.01, 0.1, 0.2, 0.3]
和原代码相比就是在 model 后面加上 grid search 这几行:
最后会给出最佳的学习率为 0.1
Best: -0.483013 using {'learning_rate': 0.1}
我们还可以用下面的代码打印出每一个学习率对应的分数:
前面就是关于 XGBoost 的一些基础概念和应用实例,下面还有一些学习资源供参考。
学习资源
参考
http://machinelearningmastery.com/develop-first-xgboost-model-python-scikit-learn/ https://www.zhihu.com/question/37683881
原文地址
http://www.jianshu.com/p/7e0e2d66b3d4