XGBoost学习：
集成学习将多个弱学习器结合起来，优势互补，可以达到强学习器的效果。要想得到最好的集成效果，这些弱学习器应当“好而不同”。
根据个体学习器的生成方法，集成学习方法可以分为两大类，序列化方法，并行化方法。序列化方法的代表就是Boosting方法，其中XGBoost和lightGBN都属于此类。
Boosting的方法是先从初始训练集训练出一个基学习器。然后再对训练样本的分布做一些调整，使得前一个学习器分类错误的样本得到更多的关注，再以此训练下一个基学习器。
依次类推，最后对多个基学习器做加权结合。
XGBoost 是 Extreme Gradient Boosting 的缩写，在此先介绍下Gradient Boosting。它的逻辑是：
先利用弱学习器训练 F(x) 。
再利用 F(x) 的残差作为目标，训练 h(x)。
利用 F(x)+h(x) 的残差作为目标，训练出 m(x)，以此类推。
最后 F(x)+h(x)+m(x)+… 就是最终的强学习器模型。
比如算均方误差MSE, (mathrm{L(y, F(x))}=frac{1}{n} sum left(y-F(x) ight)^{2})，求导得：(frac{partial L}{partial F}=- frac{2}{n} sum (y-F))，残差为((y-F))
(h(x) ≈ y−F(x) = - frac{n}{2} frac{partial L}{partial F} = - lambda frac{partial L}{partial F})
(H(x) = F(x) - lambda frac{partial L}{partial F})
和梯度下降的公式是一样的。
对于分类/回归问题的一个简单实践案例(基于sklearn toy datasets)。
之前几周的博客：
第一周：初次使用Google Colab，跑了下RManofCH分享的代码，看了下效果。
第二周：数据预处理，数据可视化（初步了解训练数据分布情况），tf-idf模型调参，ngram_range=(1,4)时效果不错。
第三周：tf-idf模型调参（min_df=1, max_df=1.0时效果最好，即取全集），数据可视化（计算了训练集与测试集的差异；得出单个api的类别及数量对文件类别影响不大的结论）
第四周：ngram模型调参（二、三元的拟合效果比较好，加上一、四、五、六元之后，效果都有提升；10折验证时效果最好）
代码阅读，调参经验总结：
阅读别人的代码，可以为自己提供一些其他思路，此外可以学习到一些实际编程的技能。
不过代码一般都是为解决具体问题编写的，自己用的时候还要根据环境，根据业务场景做一些适用性修改，而且参数要自己调一下。
调参的过程中，基本就是其他参数不变，专门调某一个参数，看看结果的变化趋势，是来回震荡还是有一个收敛点，找到一个比较好的局部最优的参数。
1 - 代码修改：
比如之前针对这个比赛做模型训练的时候，第一周跑了下的是先知论坛RMaoofCH的代码，但是遇到了一个Keras版本的问题'keras.backend' has no attribute 'tf' ，后来代码做了一些修改。
2 - 参数修改：
RMaoofCH的tf-idf模型的参数为ngram_range=(1, 5), min_df=3, max_df=0.9，做5折校验。
我调参的结果是，tf-idf模型ngram_range=(1, 4), min_df=1, max_df=1.0时效果最好。
此外比tf-idf更简单的ngram模型效果要优于tf-idf，Vectorizer由TfidfVectorizer改为了CountVectorizer。
而且，经过验证，10折校验比5折校验效果要好。
参数调过一轮之后，除了tf-idf模型的结果超过了RMaoofCH的tf-idf模型的结果，ngram单模型得到的结果甚至比RMaoofCH做的模型融合的结果还要好。