三大融合模型：随机森林、lightGBM、Xgboost调参效果展示

做一个好的模型，首先要有好的数据，数据的质量决定了你模型效果的上限；其次，要做好特征工程，在无法改变数据质量的条件下，特征工程是重中之重；最后，建立模型。

有三种主流的模型思想，一种是Bagging，代表模型是随机森林；一种是Boosting，代表模型是GBDT、Xgboost、lightGBM；还一种是stacking或blending。前2种模型可以调参。

相信网上有很多种调参方法，效果也有好有坏，不过我相信很多人肯定遇到过这种情况：调着调着，怎么越调越差？

好吧，大部分情况是没有调好，因为模型调优，一般会比默认情况好的。我在这里展示了一下我的模型调参效果，当然，不可能是最好，也许你的比我更好，我这仅是一家之言，欢迎交流。

我会放出数据供大家试验，数据获取方式： 公众号发送调参数据

顺便说一下，这次数据是截取了“融360预测贷款违约比赛”的一个数据集，我这边只取了前10000行样本。

这次代码不会无偿分享，如果想要的同学可以在公众号发送调参代码

祝大家元旦快乐！

========================分割线========================

先上效果图，0是调优前，1是调优后：

调优后的rfc的KS值最高，lightGBM的AUC最高，Xgboost胜在稳定和快速。调参完成后，如果还不满意，可以再模型stacking或加权融合一下。

数据：10000行，89列

1.Xgboost调参：

2.lightGBM调参：

3.随机森林：