xgboost 实践

xgboost 安装：xgboost：Scalable and Flexible Gradient Boosting

github： 

 eXtreme Gradient Boosting

中文教程：可伸缩且灵活的梯度提升

xgboost 用C++编写，提供了Python, R, Java, Scala, C++ and more. Runs on single machine, Hadoop, Spark, Flink and DataFlow 等接口

在python中的一套使用流程： python 平台下实现 xgboost 算法及输出的解释

参数意义：（先整理一下，实践中再完善） 官网的参数解释： XGBoost Parameters

XGBoost 参数

在运行 XGboost 之前，必须设置三种类型成熟：general parameters，booster parameters 和 task parameters：

• General parameters：参数控制在提升（boosting）过程中使用哪种 booster，常用的 booster 有树模型（tree）和线性模型（linear model）。
• Booster parameters：这取决于使用哪种 booster。
• Task parameters：控制学习的场景，例如在回归问题中会使用不同的参数控制排序。
• 除了以上参数还可能有其它参数，在命令行中使用

Parameters in R Package

In R-package, you can use .(dot) to replace under score in the parameters, for example, you can use max.depth as max_depth. The underscore parameters are also valid in R.

General Parameters

• booster [default=gbtree] 
  
  • 有两中模型可以选择 gbtree 和 gblinear。gbtree 使用基于树的模型进行提升计算，gblinear 使用线性模型进行提升计算。缺省值为gbtree
• silent [default=0] 
  
  • 取 0 时表示打印出运行时信息，取 1 时表示以缄默方式运行，不打印运行时信息。缺省值为0
• nthread [default to maximum number of threads available if not set] 
  
  • XGBoost 运行时的线程数。缺省值是当前系统可以获得的最大线程数
• num_pbuffer [set automatically by xgboost, no need to be set by user] 
  
  • size of prediction buffer, normally set to number of training instances. The buffers are used to save the prediction results of last boosting step.
• num_feature [set automatically by xgboost, no need to be set by user] 
  
  • boosting 过程中用到的特征维数，设置为特征个数。XGBoost会自动设置，不需要手工设置

Booster Parameters

From xgboost-unity, the bst: prefix is no longer needed for booster parameters. Parameter with or without bst: prefix will be equivalent(i.e. both bst:eta and eta will be valid parameter setting) .

Parameter for Tree Booster

• eta [default=0.3] 
  
  • 为了防止过拟合，更新过程中用到的收缩步长。在每次提升计算之后，算法会直接获得新特征的权重。 eta 通过缩减特征的权重使提升计算过程更加保守。缺省值为0.3
  • 取值范围为：[0,1]
• gamma [default=0] 
  
  • minimum loss reduction required to make a further partition on a leaf node of the tree. the larger, the more conservative the algorithm will be.
  • range: [0,∞]
• max_depth [default=6] 
  
  • 数的最大深度。缺省值为6
  • 取值范围为：[1,∞]
• min_child_weight [default=1] 
  
  • 孩子节点中最小的样本权重和。如果一个叶子节点的样本权重和小于 min_child_weight 则拆分过程结束。在现行回归模型中，这个参数是指建立每个模型所需要的最小样本数。该成熟越大算法越 conservative
  • 取值范围为: [0,∞]
• max_delta_step [default=0] 
  
  • Maximum delta step we allow each tree’s weight estimation to be. If the value is set to 0, it means there is no constraint. If it is set to a positive value, it can help making the update step more conservative. Usually this parameter is not needed, but it might help in logistic regression when class is extremely imbalanced. Set it to value of 1-10 might help control the update
  • 取值范围为：[0,∞]
• subsample [default=1] 
  
  • 用于训练模型的子样本占整个样本集合的比例。如果设置为 0.5 则意味着 XGBoost 将随机的冲整个样本集合中随机的抽取出 50% 的子样本建立树模型，这能够防止过拟合。
  • 取值范围为：(0,1]
• colsample_bytree [default=1] 
  
  • 在建立树时对特征采样的比例。缺省值为1
  • 取值范围：(0,1]

Parameter for Linear Booster

• lambda [default=0] 
  
  • L2 正则的惩罚系数
• alpha [default=0] 
  
  • L1 正则的惩罚系数
• lambda_bias 
  
  • 在偏置上的 L2 正则。缺省值为0（在 L1 上没有偏置项的正则，因为 L1 时偏置不重要）

Task Parameters

• objective [default=reg:linear] 
  
  • 定义学习任务及相应的学习目标，可选的目标函数如下：
  • “reg:linear” –线性回归。
  • “reg:logistic” –逻辑回归。
  • “binary:logistic” –二分类的逻辑回归问题，输出为概率。
  • “binary:logitraw” –二分类的逻辑回归问题，输出的结果为 wTx。
  • “count:poisson” –计数问题的 poisson 回归，输出结果为 poisson 分布。
  • 在 poisson 回归中，max_delta_step 的缺省值为 0.7。(used to safeguard optimization)
  • “multi:softmax” –让 XGBoost 采用 softmax 目标函数处理多分类问题，同时需要设置参数 num_class（类别个数）
  • “multi:softprob” –和 softmax 一样，但是输出的是 ndata * nclass 的向量，可以将该向量 reshape 成 ndata 行 nclass 列的矩阵。没行数据表示样本所属于每个类别的概率。
  • “rank:pairwise” –set XGBoost to do ranking task by minimizing the pairwise loss
• base_score [default=0.5] 
  
  • the initial prediction score of all instances, global bias
• eval_metric [default according to objective] 
  
  • 校验数据所需要的评价指标，不同的目标函数将会有缺省的评价指标（rmse for regression, and error for classification, mean average precision for ranking）
  • 用户可以添加多种评价指标，对于 Python 用户要以 list 传递参数对给程序，而不是 map 参数 list 参数不会覆盖’eval_metric’
  • The choices are listed below:
  • “rmse”: root mean square error
  • “logloss”: negative log-likelihood
  • “error”: Binary classification error rate. It is calculated as #(wrong cases)/#(all cases). For the predictions, the evaluation will regard the instances with prediction value larger than 0.5 as positive instances, and the others as negative instances.
  • “merror”: Multiclass classification error rate. It is calculated as #(wrong cases)/#(all cases).
  • “mlogloss”: Multiclass logloss
  • “auc”: Area under the curve for ranking evaluation.
  • “ndcg”:Normalized Discounted Cumulative Gain
  • “map”:Mean average precision
  • “ndcg@n”,”map@n”: n can be assigned as an integer to cut off the top positions in the lists for evaluation.
  • “ndcg-“,”map-“,”ndcg@n-“,”map@n-“: In XGBoost, NDCG and MAP will evaluate the score of a list without any positive samples as 1. By adding “-” in the evaluation metric XGBoost will evaluate these score as 0 to be consistent under some conditions. 
    training repeatively
• seed [default=0] 
  
  • 随机数的种子。缺省值为0

Console Parameters

The following parameters are only used in the console version of xgboost 
* use_buffer [default=1] 
- 是否为输入创建二进制的缓存文件，缓存文件可以加速计算。缺省值为1 
* num_round 
- boosting 迭代计算次数。 
* data 
- 输入数据的路径 
* test:data 
- 测试数据的路径 
* save_period [default=0] 
- 保存模型的时间段，设置 save_period = 10 意味着每 10 轮 XGBoost 将保存模型，将其设置为 0 意味着在训练期间不保存任何模型。 
* task [default=train] options: train, pred, eval, dump 
- train：训练明显 
- pred：对测试数据进行预测 
- eval：通过 eval[name]=filenam 定义评价指标 
- dump：将学习模型保存成文本格式 
* model_in [default=NULL] 
- 指向模型的路径在 test, eval, dump 都会用到，如果在 training 中定义 XGBoost 将会接着输入模型继续训练 
* model_out [default=NULL] 
- 训练完成后模型的保持路径，如果没有定义则会输出类似 0003.model 这样的结果，0003 是第三次训练的模型结果。 
* model_dir [default=models] 
- 输出模型所保存的路径。 
* fmap 
- feature map, used for dump model 
* name_dump [default=dump.txt] 
- name of model dump file 
* name_pred [default=pred.txt] 
- 预测结果文件 
* pred_margin [default=0] 
- 输出预测的边界，而不是转换后的概率