超参数调整实战：scikit-learn配合XGBoost的竞赛top20策略
快速学习如何为XGboost优化超参数！
在过去的几年中，XGBoost被广泛用于表格数据推断，并且赢得了数百个挑战。但是，仅仅通过XGBoost并不能完成完成整的解决方案，同样的模型为什么有些人能获得更好的准确性呢？除了经验方面的差异，还有一个事实，那就是他们优化了超参数！
因此，我们今天将告诉您如何获取特定数据集的最佳超参数。
我们将在Hacker Earth挑战的数据集上使用scikit-learn配合XGBoost。
https://www.hackerearth.com/en-us/challenges/competitive/hackerearth-machine-learning-challenge-predict-defcon-level/problems/
以下我使用的全部代码。我排除了分析部分和数据处理部分，因为这不是本文的目标。
#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))随机搜索优化
随机搜索优化
让我们分析一下随机搜索的区块：
#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)当我们使用XGBClassifier时，XGBRegressor的工作原理相同。 您想搜索的参数在params中，可以简单地添加要尝试的值。
我们将f1_weighted作为指标，因为这是比赛中的要求。 作业数量（n_jobs）基本上取决于是否要并行化计算。 （如果有多个核心）
如前所述，这是一个随机搜索，因此并不是所有的参数组合都将被试用，这有助于节省计算时间，并具有超参数的初步建议。
网格搜索优化
#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])}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)跟上面一样，可以更改XGBClassifier（）使其成为XGBRegressor（）。 我们为变量n_jobs使用-1，以表明我们希望使用所有核进行计算。 详细部署以显示分数和用于在训练时获取分数的参数。
结论
最后，只需打印以下最佳参数即可。
#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))看看验证集的分数！
就这样，现在你知道如何优化XGBoost模型的超参数了。显然，您也可以对模型执行此操作，例如随机林、决策树等。
原文地址：https://imba.deephub.ai/p/68e85b106f0111ea90cd05de3860c663
