sklearn api与原生api

python下的xgboost有两套api，一套是原生api，一套是sklearn风格的api。两套api的逻辑还是区别较大的，但是考虑到使用习惯上的统一以及代码集成的统一管理，比较推荐sklearn api。

快速上手，以分类为例：

from xgboost import XGBClassifier as xgbc
alg=xgbc()
alg.fit(x_train,y_train)
y_pred=alg.predict(x_test)

参数解析

xgb的主要参数分为三类：常规参数、模型参数、学习任务参数，具体解析如下：

常规参数General Parameters

image.png

模型参数Booster Parameters

image.png

学习任务参数(Learning Task Parameters)

image.png

调参

gridsearch暴力搜索

这种方法很懒人，缺点就是直接所有参数排列组合会很多。效率非常低。

串行调参，一次只调一个或两个参数

调参顺序

n_estimators
min_child_weight、max_depth
gamma
subsample、colsample_bytree
reg_alpha、reg_lambda
learning_rate

调参策略

由粗到精
调好一个参数，立即更新基础参数

观察学习曲线、训练集与验证集表现

def search_best_params(cv_params,other_params):
        alg = xgbc(**other_params)
        optimized_alg = model_selection.GridSearchCV(estimator=alg,         
        param_grid=cv_params, scoring='accuracy', cv=5, verbose=2, n_jobs=-1)
        optimized_alg.fit(X_train, y_train)
        # evalute_result = optimized_alg.grid_scores_

        # print('每轮迭代运行结果:{0}'.format(evalute_result))
        print('参数的最佳取值：{0}'.format(optimized_alg.best_params_))
        print('最佳模型得分:{0}'.format(optimized_alg.best_score_))

other_params = {'learning_rate': 0.1, 'n_estimators': 500, 'max_depth': 3, 'min_child_weight': 5,'seed': 0,'subsample': 0.8, 'colsample_bytree': 0.8, 'gamma': 0, 'reg_alpha': 0, 'reg_lambda': 1}
cv_params = {'n_estimators':[10，100，200，500，1000]}
search_best_params(cv_params,other_params)

防止过拟合

增大min_child_weight、增大gamma
增加正则项reg_alpha、reg_lambda
减少max_depth、降低subsample、降低colsample_bytree

使用early stop

当验证集的auc20次迭代中均不发生变化或变差，则停止迭代。
alg.fit(x_train, y_train, eval_metric=‘auc’, eval_set=[(x_train, y_train),         (x_eval, y_eval)],early_stopping_rounds=20)

自定义eval_metric

# sklearn api中自定义的eval_metric必须是越低越好的类型，故使用1-ks作为验证目标。
  def my_ks(pred, y, n=1000):
      data = {"y": np.array(y), "pred": np.array(pred)}
  df = pd.DataFrame(data)
  all_true = sum(y)
  all_false = len(y) - all_true

  ks = 0.0
  for i in np.arange(0.0, 1.0, 1.0 / n):
      tp = sum((df.y == 1) & (df.pred >= i))  # o_pre[i])
      tpr = tp * 1.0 / all_true
      fp = sum((df.y == 0) & (df.pred >= i))  # o_pre[i])
      fpr = fp * 1.0 / all_false
      if (tpr - fpr) > ks:
          ks = tpr - fpr
  return ks

  def eval_ks(pred, y, n=1000):
      labels = y.get_label()
      return '1-ks_score', 1 - my_ks(pred, labels)

  def evalue(alg, x_train, x_test, y_train, y_test):
        x_train, x_eval, y_train, y_eval = model_selection.train_test_split(x_train, y_train, test_size=0.3, random_state=0)
        alg.fit(x_train, y_train, eval_metric=eval_ks, eval_set=[(x_train, y_train), (x_eval, y_eval)],early_stopping_rounds=20)