XGBoost超参数调参

原作者: [db:作者] 来自: [db:来源] 收藏邀请

在处理类别和连续因变量时，XGBoost表现很好。那么，使用XGBoost建模问题时，如何选择和优化参数呢？

这是最近我为Kaggle问题应用参数的方法：

param <- list(  objective           = "reg:linear", 
                booster = "gbtree",
                eta                 = 0.02, # 0.06, #0.01,
                max_depth           = 10, #changed from default of 8
                subsample           = 0.5, # 0.7
                colsample_bytree    = 0.7, # 0.7
                num_parallel_tree   = 5
                # alpha = 0.0001, 
                # lambda = 1
)


clf <- xgb.train(   params              = param, 
                    data                = dtrain, 
                    nrounds             = 3000, #300, #280, #125, #250, # changed from 300
                    verbose             = 0,
                    early.stop.round    = 100,
                    watchlist           = watchlist,
                    maximize            = FALSE,
                    feval=RMPSE
)

我所做的所有实验都是随机选择(直觉)另一组参数来改善结果。

那么，是否能自动选择优化(最佳)参数集呢？

解决办法

每当我使用xgboost时，我经常进行自己的自定义的参数搜索，当然，也可以使用Caret包或其他类似的插件方法来解决这个问题。

Caret

有关如何在xgboost上使用Caret包进行超参数搜索的详细说明，请参阅Cross Validated上的这个答案。 How to tune hyperparameters of xgboost trees?

自定义网格搜索

我经常根据Owen Zhang在tips for data science P.14上的幻灯片做一些启动设定。

在这里你可以看到，你最需要调整行采样，列采样和最大树深度。这就是我如何进行自定义行采样和列采样搜索我正在处理的问题：

searchGridSubCol <- expand.grid(subsample = c(0.5, 0.75, 1), 
                                colsample_bytree = c(0.6, 0.8, 1))
ntrees <- 100

#Build a xgb.DMatrix object
DMMatrixTrain <- xgb.DMatrix(data = yourMatrix, label = yourTarget)

rmseErrorsHyperparameters <- apply(searchGridSubCol, 1, function(parameterList){

    #Extract Parameters to test
    currentSubsampleRate <- parameterList[["subsample"]]
    currentColsampleRate <- parameterList[["colsample_bytree"]]

    xgboostModelCV <- xgb.cv(data =  DMMatrixTrain, nrounds = ntrees, nfold = 5, showsd = TRUE, 
                           metrics = "rmse", verbose = TRUE, "eval_metric" = "rmse",
                           "objective" = "reg:linear", "max.depth" = 15, "eta" = 2/ntrees,                               
                           "subsample" = currentSubsampleRate, "colsample_bytree" = currentColsampleRate)

    xvalidationScores <- as.data.frame(xgboostModelCV)
    #Save rmse of the last iteration
    rmse <- tail(xvalidationScores$test.rmse.mean, 1)

    return(c(rmse, currentSubsampleRate, currentColsampleRate))

})

结合使用应用函数结果的一些ggplot2方法，您可以绘制搜索的图形表示。

在该图中，较浅的颜色表示较低的误差，并且每个块表示列采样和行采样的独特组合。因此，如果您想对eta(或树深度)进行额外搜索，您将最终得到测试的每个eta参数的绘图。

对于一个不同的评估指标(RMPSE)，只需在交叉验证功能中插入它，就会得到所需的结果。除此之外，不用过分担心微调其他参数，因为这样做不会太多地改善性能。至少与花费更多时间做特征工程或清理数据相比，收益没那么大。