超參數調整實戰:scikit-learn配合XGBoost的競賽top20策略

快速學習如何為XGboost優化超參數！

在過去的幾年中，XGBoost被廣泛用於表格數據推斷，並且贏得了數百個挑戰。但是，僅僅通過XGBoost並不能完成完成整的解決方案，同樣的模型為什麼有些人能獲得更好的準確性呢？除了經驗方面的差異，還有一個事實，那就是他們優化了超參數！

因此，我們今天將告訴您如何獲取特定數據集的最佳超參數。

我們將在Hacker Earth挑戰的數據集上使用scikit-learn配合XGBoost。

以下我使用的全部代碼。我排除了分析部分和數據處理部分，因為這不是本文的目標。

#imported libsimport numpy as np

import pandas as pd

from xgboost import XGBClassifier

import matplotlib.pyplot as plt

from scipy import stats

import seaborn as sns

from sklearn.model_selection import train_test_split

from sklearn.preprocessing import StandardScaler

from sklearn.pipeline import Pipeline

from sklearn.model_selection import RandomizedSearchCV, GridSearchCV

import sys

train = pd.read_csv("train.csv")

X = train.drop(['DEFCON_Level','ID'],axis=1)

y = train['DEFCON_Level']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

#For classification #Random Search

xgb_pipeline = Pipeline([('scaler', StandardScaler()), ('classifier',XGBClassifier())])

params = {

'min_child_weight': [1, 5, 10],

'gamma': [0.5, 1, 1.5, 2, 5],

'subsample': [0.6, 0.8, 1.0],

'colsample_bytree': [0.6, 0.8, 1.0],

'max_depth': [3, 4, 5]

}

random_search = RandomizedSearchCV(xgb_pipeline, param_distributions=params, n_iter=100,

scoring='f1_weighted', n_jobs=4, verbose=3, random_state=1001 )

random_search.fit(X_train,y_train)

#OR#Grid Search

xgb_pipeline = Pipeline([('scaler', StandardScaler()), ('classifier',XGBClassifier())])

gbm_param_grid = {

'classifier__learning_rate': np.array([0.01,0.001]),

'classifier__n_estimators': np.array([100,200,300,400]),

'classifier__subsample': np.array([0.7,0.8,0.9]),

'classifier__max_depth': np.array([10,11,12,13,14,15,16,17]),

'classifier__lambda': np.array([1]),

'classifier__gamma': np.array([0])

#'classifier__colsample_bytree': np.arange(0,1.1,.2)

}

grid_search = GridSearchCV(estimator=xgb_pipeline, param_grid=gbm_param_grid, n_jobs= -1,

scoring='f1_weighted', verbose=10)

grid_search.fit(X_train,y_train)

#Print out best parameters

print(random_search.best_params_)

print(grid_search.best_params_)

#Print out scores on validation set

print(random_search.score(X_test,y_test))

print(grid_search.score(X_test,y_test))

隨機搜索優化

隨機搜索優化

讓我們分析一下隨機搜索的區塊：

#Random Search

xgb_pipeline = Pipeline([('scaler', StandardScaler()),

('classifier',XGBClassifier())])

params = {'min_child_weight': [1, 5, 10],

'gamma': [0.5, 1, 1.5, 2, 5],

'subsample': [0.6, 0.8, 1.0],

'colsample_bytree': [0.6, 0.8, 1.0],

'max_depth': [3, 4, 5]}random_search = RandomizedSearchCV(xgb_pipeline, param_distributions=params, n_iter=100, scoring='f1_weighted', n_jobs=4, verbose=3, random_state=1001 )random_search.fit(X_train,y_train)

當我們使用XGBClassifier時，XGBRegressor的工作原理相同。 您想搜索的參數在params中，可以簡單地添加要嘗試的值。

我們將f1_weighted作為指標，因為這是比賽中的要求。 作業數量（n_jobs）基本上取決於是否要並行化計算。 （如果有多個核心）

如前所述，這是一個隨機搜索，因此並不是所有的參數組合都將被試用，這有助於節省計算時間，並具有超參數的初步建議。

網格搜索優化

xgb_pipeline = Pipeline([('scaler', StandardScaler()), ('classifier',XGBClassifier())])gbm_param_grid = {

'classifier__learning_rate': np.array([0.01,0.001]),

'classifier__n_estimators': np.array([100,200,300,400]), 'classifier__subsample': np.array([0.7,0.8,0.9]), 'classifier__max_depth': np.array([10,11,12,13,14,15,16,17]), 'classifier__lambda': np.array([1]),

'classifier__gamma': np.array([0])}grid_search = GridSearchCV(estimator=xgb_pipeline, param_grid=gbm_param_grid, n_jobs= -1, scoring='f1_weighted', verbose=10) grid_search.fit(X_train,y_train)

跟上面一樣，可以更改XGBClassifier（）使其成為XGBRegressor（）。 我們為變量n_jobs使用-1，以表明我們希望使用所有核進行計算。 詳細部署以顯示分數和用於在訓練時獲取分數的參數。

結論

最後，只需列印以下最佳參數即可。

#Print out best parameters

print(random_search.best_params_)print(grid_search.best_params_)#Print out scores on validation set

print(random_search.score(X_test,y_test))

print(grid_search.score(X_test,y_test))

看看驗證集的分數！

就這樣，現在你知道如何優化XGBoost模型的超參數了。顯然，您也可以對模型執行此操作，例如隨機林、決策樹等。