What is XGBoost

XGBoost是处理标准表格数据的领先模型（您在Pandas DataFrames中存储的数据类型，而不是像图像和视频这样的更奇特的数据类型）。 XGBoost模型在许多Kaggle比赛中占据主导地位。

为了达到峰值精度，XGBoost模型比Random Forest等技术需要更多的知识和模型调整。在本教程之后，你将能够

遵循XGBoost的完整建模工作流程
微调XGBoost模型以获得最佳性能

XGBoost是Gradient Boosted决策树算法的一种实现（scikit-learn有另一个版本的算法，但XGBoost有一些技术优势。）什么是Gradient Boosted决策树？我们将通过一个图表。

xgboost image

我们经历了重复构建新模型的循环，并将它们组合成一个整体模型。我们通过计算数据集中每个观察的误差来开始循环。然后我们构建一个新模型来预测。我们将此误差预测模型的预测添加到“模型集合”中。

为了进行预测，我们添加了以前所有模型的预测。我们可以使用这些预测来计算新误差，构建下一个模型，并将其添加到整体中。

那个周期之外还有一件。我们需要一些基础预测来开始循环。在实践中，最初的预测可能非常幼稚。即使它的预测非常不准确，随后对整体的添加将解决这些错误。

这个过程可能听起来很复杂，但使用它的代码很简单。我们将在下面的模型调整部分填写一些额外的解释性细节。

Example

我们将从预先加载到train_X，test_X，train_y，test_x的数据开始。

[1]

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import Imputerdata = pd.read_csv('../input/train.csv')
data.dropna(axis=0, subset=['SalePrice'], inplace=True)
y = data.SalePrice
X = data.drop(['SalePrice'], axis=1).select_dtypes(exclude=['object'])
train_X, test_X, train_y, test_y = train_test_split(X.as_matrix(), y.as_matrix(), test_size=0.25)my_imputer = Imputer()
train_X = my_imputer.fit_transform(train_X)
test_X = my_imputer.transform(test_X)

/opt/conda/lib/python3.6/site-packages/ipykernel_launcher.py:9: FutureWarning: Method .as_matrix will be removed in a future version. Use .values instead.if __name__ == '__main__':
/opt/conda/lib/python3.6/site-packages/sklearn/utils/deprecation.py:58: DeprecationWarning: Class Imputer is deprecated; Imputer was deprecated in version 0.20 and will be removed in 0.22. Import impute.SimpleImputer from sklearn instead.warnings.warn(msg, category=DeprecationWarning)

我们像在scikit-learn建立模型和拟合。

【2】

from xgboost import XGBRegressormy_model = XGBRegressor()
# Add silent=True to avoid printing out updates with each cycle
my_model.fit(train_X, train_y, verbose=False)

我们同样评估模型并像在scikit-learn中那样进行预测。

【3】

# make predictions
predictions = my_model.predict(test_X)from sklearn.metrics import mean_absolute_error
print("Mean Absolute Error : " + str(mean_absolute_error(predictions, test_y)))

Mean Absolute Error : 17543.750299657535

Model Tuning

XGBoost有一些参数可以显着影响您的模型的准确性和训练速度。您应该了解的第一个参数是：
n_estimators 和 early_stopping_rounds

n_estimators指定完成上述建模周期的次数。

在欠拟合vs过拟合图中，n_estimators将您向右移动。值太低会导致欠拟合，这对训练数据和新数据的预测都是不准确的。太大的值会导致过度拟合，这时对训练数据的预测准确，但对新数据的预测不准确（这是我们关心的）。您可以试验数据集以找到理想值。典型值范围从100到1000，但这很大程度上取决于下面讨论的学习率。

参数early_stopping_rounds提供了一种自动查找理想值的方法。过早停止会导致模型在验证分数停止改善时停止迭代，即使我们不是n_estimators的硬停止。为n_estimators设置一个高值然后使用early_stopping_rounds找到停止迭代的最佳时间是明智的。

由于随机机会有时会导致单轮，其中验证分数没有提高，因此您需要指定一个数字，以确定在停止前允许多少轮直线恶化。 early_stopping_rounds = 5是一个合理的值。因此，我们在连续5轮恶化的验证分数后停止。

以下是适合early_stopping的代码：

【4】

my_model = XGBRegressor(n_estimators=1000)
my_model.fit(train_X, train_y, early_stopping_rounds=5, eval_set=[(test_X, test_y)], verbose=False)

XGBRegressor(base_score=0.5, booster='gbtree', colsample_bylevel=1,colsample_bytree=1, gamma=0, learning_rate=0.1, max_delta_step=0,max_depth=3, min_child_weight=1, missing=None, n_estimators=1000,n_jobs=1, nthread=None, objective='reg:linear', random_state=0,reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=None,silent=True, subsample=1)

使用early_stopping_rounds时，您需要留出一些数据来检查要使用的轮数。如果您以后想要使用所有数据拟合模型，请将n_estimators设置为在过早停止运行时发现的最佳值。

learning_rate

对于更好的XGBoost模型，这是一个微妙但重要的技巧：

我们不是通过简单地将每个组件模型中的预测相加来获得预测，而是将每个模型的预测乘以一个小数字，然后再添加它们。这意味着我们添加到集合中的每个树都会减少我们的预测。在实践中，这降低了模型过度拟合的倾向。

因此，您可以使用更高的n_estimators值而不会过度拟合。如果使用过早停止，将自动设置适当数量的树。

一般来说，较小的学习率（以及大量的估算器）将产生更准确的XGBoost模型，尽管它也会使模型更长时间进行训练，因为它在整个循环中进行了更多的迭代。

修改上面的示例以包含学习率将产生以下代码：

【5】

my_model = XGBRegressor(n_estimators=1000, learning_rate=0.05)
my_model.fit(train_X, train_y, early_stopping_rounds=5, eval_set=[(test_X, test_y)], verbose=False)

XGBRegressor(base_score=0.5, booster='gbtree', colsample_bylevel=1,colsample_bytree=1, gamma=0, learning_rate=0.05, max_delta_step=0,max_depth=3, min_child_weight=1, missing=None, n_estimators=1000,n_jobs=1, nthread=None, objective='reg:linear', random_state=0,reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=None,silent=True, subsample=1)

n_jobs

在较大数据集上需要考虑运行时间，您可以使用并行性来更快地构建模型。通常将参数n_jobs设置为等于计算机上的核心数。在较小的数据集上，这无济于事。

由此产生的模型将不会更好，因此对于拟合时间的微优化通常只是分散注意力。但是，它在大型数据集中非常有用，否则您将在fit命令期间等待很长时间。

XGBoost有许多其他参数，但这些参数将消耗更长时间帮助您微调XGBoost模型以获得最佳性能。