Kaggle 神器 XGBoost 入门：为什么要用它？怎么用？

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