Kaggle 神器 XGBoost 入门:为什么要用它?怎么用?
作者 | Alice
在 的很多比赛中,我们可以看到很多 喜欢用 ,而且获得非常好的表现,今天就来看看 到底是什么以及如何应用。
本文结构:
什么是 ?
:
项目地址:
是由 Chen ~/ 最初开发的实现可扩展,便携,分布式 (GBDT, GBRT or GBM) 算法的一个库,可以下载安装并应用于 C++,,R,Julia,Java,Scala,,现在有很多协作者共同开发维护。
所应用的算法就是 tree,既可以用于分类也可以用于回归问题中。
那什么是 ?
是 的其中一种方法
所谓 ,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 有三个要素:
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 ,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 的实现就是( )。
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 ?
前面已经知道, 就是对 tree 的实现,但是一般来说, 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 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 与其它 和 trees 实现的效果比较,可以看出它比 R, ,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 的赛后采访链接,可以看出 的在实战中的效果。
KDD Cup 2016
Link to the arxiv paper.
Dato ? .
Link to the .
CERN LHCb of .
Link to the .
怎么应用?
先来用 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。
1. 基础应用
引入 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
有封装好的分类器和回归器,可以直接用 建立模型。
#- .
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 : 77.95%
2. 监控模型表现
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
并打印出 Early 的点:
3. 输出特征重要度
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
4. 调参
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 ,再调解参数找到最佳模型:
接下来我们用 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( and ).
学习率和树的个数 ( and ).
行列的 rates (, and ).
下面以学习率为例:
先引入这两个类
设定要调节的 = [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 这几行:
最后会给出最佳的学习率为 0.1
Best: -0. using {'': 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 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