一、前言

本篇文章是继上一篇文章：使用K-Fold训练和预测XGBoost模型的方法，探讨对XGBoost模型调优的方法，所使用的代码和数据文件均是基于上一篇文章的，需要的小伙伴可以跳转链接自行获取。

二、数据处理

程序和上篇文章中的完全一致，不再赘述。

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from xgboost import XGBRegressor
feature_file = pd.read_csv("./DataHousePricePrediction/train.csv")
x = []# 特征数据
y = []# 标签
for index in feature_file.index.values:
    #print('index', index)
    #print(feature_file.values[0])
    #print(feature_file.ix[index].values) 
    x.append(feature_file.values[index][2: -1]) # 从原文件中提取输入变量数据
    y.append(feature_file.values[index][1])     # 从原文件中提取输出变量标签
x, y = np.array(x), np.array(y)
# 划分训练集和验证集
X_train,X_valid,y_train,y_valid = train_test_split(x,y,test_size=0.2,random_state=12345)

三、XGBoost参数调优

3.1 常见可调参数

一般调参会考虑以下几个超参数(需要在模型中初始化)：

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

这些参数的具体含义可见：XGBoost常用参数
定义模型：

#定义xgboost模型
xgb = XGBRegressor(learning_rate =0.1,
                   n_estimators=150, 
                   max_depth=5,
                   min_child_weight=1,
                   gamma=0,
                   subsample=0.8,
                   colsample_bytree=0.8,
                   objective= 'reg:squarederror',
                   reg_alpha= 0,
                   reg_lambda= 1,
                   nthread=4,
                   scale_pos_weight=1,
                   seed=27)

3.2 GridSearchCV调参函数

不同于CV领域的神经网络，Scikit-learn为XGBoost模型提供了一个网格搜索最优化参数的方法：GridSearchCV(网格搜索交叉验证调参)。详细介绍见：sklearn.model_selection.GridSearchCV

在本文中，主要使用到了GridSearchCV中的以下几个参数：

estimator：表示所要调优的模型。

param_grid：字典类型变量。主要存储的是要尝试的参数，每一个参数中要尝试的值组成一个列表，不同的参数列表构成一个字典。

n_jobs，int类型，表示要并行运行的作业数，-1表示使用所有的处理器。通过此参数可以认为控制使用CPU的核数。

cv，int类型，表示要交叉验证拆分的数量，也就是K-Fold的数量。

GridSearchCV搜索原理：对param_grid中要尝试的变量进行排列组合，遍历每一种组合，通过交叉验证的方式返回所有参数组合下的评价指标得分，最后选择分数最高的组合对应的参数作为最优值。简单来说，GridSearchCV的搜索原理就是枚举，暴力搜索。

3.3 一般调参顺序

调参的要旨是：每次调一个或两个超参数，然后将找到的最优超参数代入到模型中继续调余下的参数。
XGBoost一般的调参顺序和排列组合是：

最佳迭代次数(树模型的个数)：n_estimators

min_child_weight以及max_depth

gamma

subsample以及colsample_bytree

reg_alpha以及reg_lambda

learning_rate

下面以min_child_weight以及max_depth两个参数为例展示对应的调参程序：

from sklearn.model_selection import GridSearchCV
#Need to research
#research_one: n_epoch
#research_one: max_depth
param_test1 = {
    'min_child_weight': [1, 2, 3],
    'max_depth':[2, 3, 4, 5, 6, 7]
    }
xgb_res = GridSearchCV(estimator = xgb, 
                       param_grid = param_test1, 
                       n_jobs=4, 
                       cv=5)
xgb_res.fit(X_train, y_train)

3.4 调参结果可视化

在搜索完成后，本文使用了cv_results_、best_params_、best_score_作为搜索输出，这三个方法都是GridSearchCV方法的对象，含义是：

cv_results_:输出cv（交叉验证）结果的，可以是字典形式也可以是numpy形式，还可以转换成DataFrame格式
best_params_：通过网格搜索得到的score最好对应的参数
best_score_：输出最好的成绩

print('max_depth_min_child_weight')
print('gsearch1.grid_scores_', xgb_res.cv_results_)
print('gsearch1.best_params_', xgb_res.best_params_)
print('gsearch1.best_score_', xgb_res.best_score_)

程序的输出为：

从输出的结果看出，GridSearchCV搜索确定了最佳的max_depth为3，最佳的min_child_weight为3，综合两种参数下模型的最佳得分为：0.65，获得了我们要的结果。
注:这里没有展示xgb_res.cv_results_的输出结果（太长了），从上面的对param_test1的定义可知，此次搜索中min_child_weight有3中取值，max_depth有6种取值，进行排列组合后有18种可能。cv_results_ 展示的就是这18种情况对应的交叉验证值。

四、总结

GridSearchCV是XGBoost模型最常用的调参方法，在调参时要注意调参顺序并且要有效设置参数的变化范围，提高效率。受限于暴力搜索的设计逻辑，GridSearchCV 并不适用于数据量大和超参数数量多的场景。当数据量大时，可以考虑坐标下降方法；当所调超参数数量多时，可以考虑使用随机搜索 RandomizedSearchCV方法。
总的来说，有效的数据清洗和挖掘、符合使用场景的模型、灵活的训练和调参技巧是提高预测准确度的三大手段。

标签 OS, 优化, 网格

XGBoost模型调参：GridSearchCV方法网格搜索优化参数

文章目录