目录

算法代码

原理

算法流程

xgb.train中的参数介绍

 params

min_child_weight

gamma

技巧

---

算法代码

代码获取方式：链接：https://pan.baidu.com/s/1QV7nMC5ds5wSh-M9kuiwew?pwd=x48l 
提取码：x48l

特征直方图统计：

fig, (ax1, ax2) = plt.subplots(1,2)
fig.set_size_inches(16,5)
ax1.hist(uniq_values_in_categories.unique_values, bins=50)

特征相关性分析

plt.subplots(figsize=(16,9))
correlation_mat = train[cont_features].corr()
sns.heatmap(correlation_mat, annot=True)

交叉验证调参

plt.figure()
bst_cv1[['train-mae-mean', 'test-mae-mean']].plot()

交叉验证获取核心参数

mean_test_score = scores['mean_test_score']
std_test_score = scores['std_test_score']
params = scores['params']_params = []
_params_mae = []
for i in range(len(mean_test_score)):_params.append(params[i])_params_mae.append(mean_test_score[i])
params = np.array(_params)
grid_res = np.column_stack((_params,_params_mae))
print(grid_res)
print(grid_res.shape)
return [grid_res[:,i] for i in range(grid_res.shape[1])]

原理

xgboost可以处理二分类、多分类、回归问题；

Extreme Gradient Boosting。XGBoost（Extreme Gradient Boosting）是一种基于决策树的集成学习算法，它在梯度提升（Gradient Boosting）框架下进行了改进和优化。其基本原理包括以下几个关键步骤：

 集成学习

XGBoost采用集成学习的思想，通过结合多个弱学习器（通常是决策树）来构建一个强大的集成模型。每个弱学习器都是针对数据的不同部分进行训练，然后将它们组合起来形成最终的预测模型。

 决策树的串行训练与集成

XGBoost通过串行训练决策树来构建集成模型。在每一轮训练中，新的决策树被设计为纠正前一轮模型的残差，以逐步减少训练误差。通过迭代添加树模型，XGBoost构建了一个更强大的整体模型。

 正则化

XGBoost引入了正则化技术来控制模型的复杂度，防止过拟合。正则化项包括对树结构的惩罚，以及对叶子节点样本权重的约束，这有助于提高模型的泛化能力。

 特征重要性评估

XGBoost提供了对特征重要性的评估，可以帮助用户了解哪些特征对模型的预测贡献最大。这有助于特征选择和模型解释。

 高效的工程实现

XGBoost在算法和工程实现上都进行了优化，具有高效的训练速度和内存利用率，使其能够处理大规模数据集。

总的来说，XGBoost通过串行训练决策树、引入正则化和特征重要性评估等技术，构建了一种高效而强大的集成学习模型，适用于各种机器学习任务，特别是在结构化数据和表格数据上表现优异。

算法流程

XGBoost（eXtreme Gradient Boosting）是一种基于梯度提升树（Gradient Boosting Tree）的机器学习算法，它在提升树算法的基础上进行了优化和改进，以提高模型的性能和效率。以下是XGBoost算法的基本流程：

1. 初始化模型参数：包括树的深度、学习率、树的数量等。
2. 构建初始树：用一个简单的回归树或分类树作为初始模型。
3. 迭代优化

1.计算损失函数的梯度：根据当前模型对训练数据的预测结果，计算损失函数的梯度。常用的损失函数包括平方损失函数（用于回归问题）和对数损失函数（用于分类问题）。

2.构建新树：基于损失函数的梯度，构建一棵新的回归树或分类树，该树的叶子节点数通常比较少。

3.更新模型：通过将新建的树与之前的模型相加，更新模型的预测结果。为了防止过拟合，通常会乘以一个小于1的学习率。

4.正则化：为了控制模型的复杂度和防止过拟合，可以引入正则化项，如树的深度限制、叶子节点权重的L1和L2正则化。

5. 迭代终止条件：可以设定迭代次数、达到一定的模型性能或损失下降率等作为终止条件。

6.输出最终模型：当满足终止条件时，输出最终的集成模型。

XGBoost通过优化目标函数的梯度提升树模型，采用了一些技术和策略，如加权损失函数、子采样、列抽样、树剪枝等，以提高模型的泛化能力和训练速度。

xgb.train中的参数介绍

xgb.train 函数是用于训练模型的主要函数之一。它允许你手动指定模型的各种参数，以定制化地训练 XGBoost 模型。

 params

字典类型，表示要传递给 XGBoost 模型的参数。常见的参数包括：reg:linear 表示 XGBoost 将使用线性回归作为优化目标，即模型的输出是一个连续值，目标是最小化预测值与实际值之间的均方误差（MSE）或其他回归损失函数。

binary:logistic 是 XGBoost 中用于二分类问题的一种优化目标（objective）。使用逻辑回归（Logistic Regression）作为优化目标，用于解决二分类问题。

在二分类任务中目标是将样本分为两个类别，正类和负类。而binary:logistic 的作用是训练一个模型，使得对于给定的输入特征，模型能够输出一个概率值，表示样本属于正类的概率。然后设定一个阈值，将这个概率转换为类别标签，例如大于阈值则预测为正类，小于阈值则预测为负类。

使用 binary:logistic 作为优化目标时，模型的输出会通过逻辑函数（sigmoid 函数）转换为 0 到 1 之间的概率值，表示正类的概率。然后，模型会根据损失函数（通常是对数损失函数）来优化模型参数，以最大化预测的概率与实际标签的一致性。

multi:softmax多分类问题的一种优化目标（objective）设置。具体来说，multi:softmax 表示 XGBoost 将使用 Softmax 函数作为优化目标，用于多类别分类。Softmax 函数可以将模型的原始输出转换为每个类别的概率分布，使得概率之和为 1。在训练过程中，XGBoost 会优化模型参数，以最大化实际类别的概率与预测类别的概率之间的一致性。

XGBoost 将会训练一个多分类模型，该模型会尝试在给定数据集上学习出最佳的分类决策边界，以便能够将样本正确地分到多个类别中去。

对于回归任务（如 reg:linear），常用的评估指标包括均方误差（rmse）、平均绝对误差（mae）等。

对于二分类任务（如 binary:logistic），常用的评估指标包括准确率（error）、AUC（auc）等。

对于多分类任务（如 multi:softmax），常用的评估指标包括准确率（merror）、多分类对数损失（mlogloss）等。

min_child_weight

较大的 min_child_weight 值会导致更加保守的树模型，因为它限制了每个叶子节点的样本权重总和，使得树的生长更加受限制。相反，较小的 min_child_weight 值允许模型更多地考虑每个叶子节点的样本，可能导致模型过拟合。

注意：在决策树的训练过程中，每个样本都会被分配一个权重，这个权重可以用来调节样本对模型的贡献程度。

当训练一棵决策树时，XGBoost 会根据样本的权重来计算叶子节点的样本权重。这个过程涉及到样本在树的每个节点上的传递和累积，最终得到每个叶子节点所包含的样本的权重之和。

通过调节叶子节点的样本权重，我们可以控制模型对不同样本的关注程度，进而影响模型的泛化能力和性能。

选择合适的min_child_weight值通常需要通过交叉验证来进行调整。如果min_child_weight设置得太大，可能会导致模型欠拟合；如果设置得太小，可能会导致模型过拟合。

通过调节 subsample 参数，可以控制每棵树的训练样本的多少，从而影响模型的方差和泛化能力。较小的 subsample 值可以降低模型的方差，因为每棵树使用的样本更少，模型更加稳定，但可能会增加偏差。较大的 subsample 值可以提高模型的拟合能力，但可能导致过拟合。

通过调节 colsample_bytree 参数，可以控制每棵树使用的特征的数量，从而增加模型的多样性，减少过拟合的风险。较小的 colsample_bytree 值可以降低模型的方差，增加模型的泛化能力，但可能会增加模型的偏差。较大的 colsample_bytree 值可以提高模型的拟合能力，但也可能导致过拟合。

1. dtrain: 训练数据集（DMatrix 格式），是 XGBoost 特有的数据结构，用于高效存储和处理大型数据集。
2. evals: 需要评估的数据集列表，通常包括训练数据集和验证数据集。
3. obj: 自定义目标函数（可选）。
4. feval: 自定义评估函数（可选）。
5. early_stopping_rounds: 当验证指标不再提升时，停止训练的迭代次数。

early_stopping_rounds 参数指定了在多少个迭代轮次内，如果模型的性能在验证集上没有改善，就停止训练。例如如果将 early_stopping_rounds 设置为 10，那么在训练过程中如果连续 10 个迭代轮次内模型的性能都没有提升，训练就会提前终止。

 verbose_eval: 控制输出信息的频率。如果设置为一个非负整数，则表示每隔指定的迭代轮次输出一次训练信息。例如，如果 verbose_eval 设置为 100，那么每隔 100 个迭代轮次就会输出一次训练信息。

如果设置为 True，则表示在每个迭代轮次结束后都输出训练信息。

 callbacks: 回调函数列表，用于在训练过程中执行自定义操作（如保存模型）。callbacks 参数可以用于指定回调函数，在训练过程中执行特定的操作。常见的用途包括提前停止训练、保存模型、记录训练过程中的指标等。

gamma

`gamma` 参数是一个用于控制模型复杂度的关键参数，它是在构建决策树时用来进行剪枝的。`gamma` 参数的值越大，模型就越保守，倾向于剪枝，这样可以避免过拟合。相反，`gamma` 参数的值越小，模型就越自由，可以生长更多的叶子节点，这可能会导致过拟合。

`gamma` 参数实际上代表了在添加一个新的分裂点时，所需的最小减少的损失。如果一个分裂点不能至少减少 `gamma` 这么多的损失，那么这个分裂点就会被忽略。因此，`gamma` 可以被视为一个正则化项，用于控制模型的复杂度。

在数学上，`gamma` 参数与树的叶子节点的数量和深度直接相关。较大的 `gamma` 值会导致生成较浅的树，因为需要更大的损失减少来创建新的分裂。较小的 `gamma` 值会导致生成较深的树，因为较小的损失减少就足够创建新的分裂。

在实际应用中，调整 `gamma` 参数可以帮助找到模型复杂度和性能之间的最佳平衡点。如果模型的性能在验证集上不佳，可能需要增加 `gamma` 值来减少过拟合。相反，如果模型在训练集上的性能不佳，可能需要减小 `gamma` 值来增加模型的复杂度。

`gamma` 被设置为 0，这意味着默认情况下不会有额外的剪枝。在实际应用中，你可能需要通过交叉验证等方法来调整 `gamma` 的值，以找到最佳的模型配置。

技巧

train.select_dtypes： 选择不同数据类型的特征；

偏度概念

scipy库中，stats.mstats.skew()函数用于计算数据的偏度（skewness）。偏度是描述数据分布不对称性的一个统计量，它是衡量数据分布相对于平均值的偏斜程度。

偏度的计算公式为：

​

其中：

• ( n ) 是数据点的数量。
• ( x_i ) 是第 ( i ) 个数据点。
• ( bar{x} ) 是数据的平均值。
• ( s ) 是标准差。
• 如果偏度为正数，数据分布是右偏的，即数据点倾向于分布在平均值的右侧。
• 如果偏度为负数，数据分布是左偏的，即数据点倾向于分布在平均值的左侧。
• 如果偏度为零，数据分布是对称的，即数据点均匀分布在平均值两侧。
• 偏度值接近于零，表示数据分布比较对称。
• 偏度值远大于零或远小于零，表示数据分布非常偏斜。 在scipy.stats.mstats.skew()函数中，如果bias参数设置为True，则计算的是无偏估计量，即考虑了数据点的数量对偏度的影响。如果bias参数设置为False，则计算的是未调整偏度的原始估计量，这通常只在理论分析中使用。 例如，使用scipy.stats.mstats.skew()函数计算数据集的偏度：

连续数值特征与分类特征需要分开处理；

使用直方图可视化，统计频率分布；

corr()计算特征之间相关系数；并用sns.heatmap绘制热力图；

保险预测--回归问题；

在Python的pandas库中，astype('category') 方法将pandas的DataFrame或Series列转换为类别类型（categorical type）。这通常用于处理具有有限数量的不同值的列，例如性别、国家代码等。转换为类别类型可以节省内存，并且可以加快某些操作的处理速度。

使用 cat.codes 属性来获取每个类别值的数字编码。这些编码是整数，表示每个唯一类别在类别列表中的位置。例如，如果有一个包含三个不同国家的列，那么这些国家可能会被编码为0、1和2。

GridSearchCV(XGBoostRegressor): 交叉验证获取最佳参数，例如max_depth; min_child_weight;

一般交叉验证调参

Step 1: 选择一组初始参数

Step 2: 改变 max_depth 和 min_child_weight.

Step 3: 调节 gamma 降低模型过拟合风险.

Step 4: 调节 subsample 和 colsample_bytree 改变数据采样策略.

Step 5: 调节学习率 eta.（与数的深度反复调节）

ETA和num_boost_round依赖关系不是线性的，但是有些关联。