什么是 XGBoost？

XGBoost 由华盛顿大学的 Tianqi Chen 开发，是通用框架相同的梯度提升的 高级实现；也就是说，它通过将残差相加，将弱学习器树组合成强学习器。该库适用于 C++、Python、R、Java、Scala 和 Julia¹。

Decision Trees 用于机器学习中的分类或回归任务。它们使用分层树结构，其中内部节点代表一个特征，分支代表决策规则，­每个叶节点代表数据集的结果。

由于 Decision Trees 容易过度拟合，集成方法（例如增强方法）通常可用于创建更为稳健的模型。提升将多个单独的弱树（即性能略好于随机机会的模型）组合在一起，以形成强学习器。每个弱学习器都经过顺序训练，以纠正先前模型所犯的错误。经过数百次迭代后，弱学习器转换为强学习器。

随机森林和提升算法都是流行的集成学习技术，它们使用单个学习器树来提高预测性能。随机森林基于 Bootstrapping（Bootstrap 聚合）的概念，独立训练每棵树以组合它们的预测，而提升算法使用加法方法，其中弱学习器按顺序训练以纠正先前模型的错误。

梯度提升 Decision Trees  是一种使用 梯度下降的提升算法。 与其他提升方法一样，梯度提升从弱学习器开始进行预测。梯度提升中的第一个 Decision Trees 称为基本学习器。接下来，根据基本学习器的错误以加法方式创建新树。然后，该算法计算每棵树预测的残差 ，以确定模型的预测与现实的偏差有多大。残差是模型预测值和实际值之间的差值。 然后汇总残差，利用损失函数对模型进行评分。

在机器学习中，损失函数用于衡量模型的性能。梯度提升 decision trees 中的梯度指的是梯度下降。梯度下降用于在训练新模型时最小化损失（即提高模型的性能）。梯度下降是一种流行的优化算法，用于尽量减少机器学习问题中的损失函数。一些损失函数的示例包括 regression 问题的均方误差或平均绝对误差、分类问题的交叉熵损失，或者可以为特定用例和数据集开发自定义损失函数。

以下是 XGBoost 在 Python 中的一些功能，与 scikit-learn 中的普通梯度提升包相比，这些功能使其脱颖而出 ² ：

• 并行和分布式计算： 该库将数据存储在称为块的内存单元中。单独的块可以分布在机器之间，或者使用核外计算存储在外部存储器中。XGBoost 还支持更高级的用例，例如跨计算机集群进行分布式训练以加快计算速度。XGBoost 还可以使用 Apache Spark、Dask 或 Kubernetes 等工具在分布式模式下实施。
• 缓存感知预取算法： XGBoost 使用缓存感知预取算法，有助于缩短大型数据集的运行时间。该库在单台计算机上的运行速度比其他现有框架快十倍以上。 由于其速度令人印象深刻，XGBoost 可以使用更少的资源处理数十亿个示例，这使其成为一个可扩展的树增强系统。
• 内置正则化： XGBoost  将正则化 作为学习目标的一部分，这与常规梯度提升不同。也可以通过超参数调整对数据进行正则化。使用 XGBoost 的内置正则化还可以让该库提供比常规 scikit-learn 梯度提升包更好的结果。
• 处理 missing values： XGBoost 对稀疏数据使用稀疏感知算法。当数据集中缺少某个值时，数据点会被归类到默认方向，算法会学习最佳方向来处理 missing values。

在本节中，我们将介绍如何使用 XGBoost 包、如何选择 XGBoost 树加速器的超参数、XGBoost 与其他加速器实现的对比及其一些用例。

假设已经对数据执行了探索性数据分析，请继续将数据分配到训练数据集和测试数据集之间。接下来，将数据转换为 XGBoost 期望的 DMatrix 格式³。DMatrix 是 XGBoost 的内部数据结构，针对内存效率和训练速度进行了优化⁴。

接下来，实例化 XGBoost 模型，并根据您的用例，通过“对象”超参数选择您要使用的目标函数。例如，如果您有一个多类分类任务，则应将目标设置为“multi:softmax”⁵。或者，如果您有一个二元分类问题，您可以使用逻辑回归目标“binary:logistic”。现在，您可以使用训练集来训练模型并预测作为测试集的数据集的分类。通过将预测值与测试集的实际值进行比较来评估模型的性能。您可以使用准确性、精确度、召回率或 f-1 分数等指标来评估您的模型。您可能还希望使用混淆矩阵可视化您的真阳性、真阴性、假阳性和假阴性。

接下来，您可能希望迭代超参数的组合，以帮助提高模型的性能。超参数调整是机器学习算法超参数的优化过程。可以使用网格搜索和交叉验证方法找到最佳超参数，这些方法将遍历可能的超参数组合的字典。

以下是 XGBoost 中可用于调整梯度增强树的一些超参数的解释：

• 学习率（也称为“步长”或“收缩率”）是最重要的梯度提升超参数。在 XGBoost 库中，它被称为“eta”，应该是 0 到 1 之间的数字，默认值为 0.3 ⁶ 。学习率确定提升算法从每次迭代中学习的速率。eta 值越低意味着学习速度越慢，因为它降低了集成中每棵树的贡献，从而有助于防止过拟合。相反，较高的 eta 值会加快学习速度，但如果不仔细调整，可能会导致过拟合。
• n_estimators 超参数指定集成中要构建的树数量。每一轮提升都会向集成中添加一棵新树，模型会慢慢学习纠正前一棵树所犯的错误。N_estimators 决定模型的复杂性，并影响训练时间和模型推广到未知数据的能力。增加 n_estimators 的值通常会增加模型的复杂性，因为它允许模型在数据中捕获更复杂的模式。但是，添加过多的树会导致过拟合。一般来说，随着 n_estimators 的增加，学习率应该降低。
• 伽马（也称为拉格朗日乘数或最小损失减少参数）控制着对树的叶节点进行进一步分割所需的最小损失减少量。值越低意味着 XGBoost 停止得越早，但可能无法找到最佳解决方案；值越大，XGBoost 持续训练的时间越长，有可能找到更好的解决方案，但过度拟合的风险也越大。伽马值没有上限。XGBoost 中的默认值为 0，超过 10 的值都被视为高值。
• Max_depth表示提升过程中每棵树在训练过程中的生长深度。树的深度是指它从根节点到叶节点的级别数或拆分数。增加该值会使模型更加复杂，更容易出现过拟合。在 XGBoost 中，默认 max_depth 为 6，这意味着允许模型中的每棵树生长到最大深度 6 级。

XGBoost 是众多可用的开源加速算法之一。在本节中，我们将 XGBoost 与其他三个助推框架进行比较。

AdaBoost  是由 Yoav Freund  和  Robert Schapire  于 1995 年发明的早期提升算法 ⁷。在 AdaBoost 中，通过权重系统更加重视错误的预测，这些权重系统会对更难预测的数据点产生更大的影响。 首先，数据集中的每个数据点都被分配了一个特定的权重。当弱学习器正确预测一个例子时，该示例的权重就会减轻。但是，如果学习器举错了例子，该数据点的权重就会增加。创建新树时，它们的权重是基于先前学习器树的错误分类。随着学习器数量的增加，未来学习器将会越来越少地使用那些容易预测的样本，而那些较难预测的数据点将会被赋予更大的权重。梯度提升和 XGBoost 由于其准确性和速度，往往能成为 AdaBoost 更强大的替代方案。

CatBoost 是另一个梯度提升框架。由 Yandex 于 2017 年开发，专门处理分类特征，无需任何预处理，通常直接可用，无需执行广泛的超参数调整⁸。与 XGBoost 一样，CatBoost 内置了对处理缺失数据的支持。CatBoost 对于具有许多分类特征的数据集特别有用。据 Yandex 称，该框架可用于搜索、推荐系统、个人助理、自动驾驶汽车、天气预报和其他任务。

LightGBM (Light Gradient Boosting Machine) 是我们将要审查的最终梯度提升算法。LightGBM 由 Microsoft 开发，于 2016 年首次发布 ⁹。大多数 Decision Trees 学习算法在深度上生长树木，而 LightGBM 使用逐叶树生长策略 ¹⁰。与 XGBoost 一样，LightGBM 表现出较快的模型训练速度和准确性，在大型数据集上表现良好。

XGBoost 和梯度增强decision trees用于各种数据科学应用，包括：

• 学习排名：XGBoost 算法最流行的用例之一是作为排名器。在信息检索中，学习排名的目标是为用户提供按相关性排序的内容。在 XGBoost 中，XGBRanker 基于 LambdaMART 算法¹¹。
• 广告点击率预测：研究人员使用经过 XGBoost 训练的模型来确定点击数据在 10 天内在线广告的点击频率。该研究的目标是 衡量在线广告的有效性，并确定哪些广告效果良好 ¹² 。
• 门店销售预测： XGBoost 可用于预测建模，如本文所示，其中使用 XGBoost 模型预测了 45 家沃尔玛商店的销售额 ¹³ 。
• 恶意软件分类： 使用 XGBoost 分类器，科希策技术大学的工程师能够准确地对恶意软件进行分类，如他们的论文所示 ¹⁴。
• Kaggle 竞赛：XGBoost 一直是 Kaggle 竞赛中流行的获胜算法，如 DMLC（分布式 （深度）机器学习社区）页面上所述，该页面列出了最近在参赛作品中使用 XGBoost 的 Kaggle 竞赛获胜者名单¹⁵。