我一直在探索R中的xgboost
软件包并经历了几个演示以及教程,但这仍然让我感到困惑:在使用xgb.cv
进行交叉验证后,最佳情况如何?参数传递给xgb.train
?或者我应该根据nround
的输出计算理想参数(例如max.depth
,xgb.cv
)?
param <- list("objective" = "multi:softprob",
"eval_metric" = "mlogloss",
"num_class" = 12)
cv.nround <- 11
cv.nfold <- 5
mdcv <-xgb.cv(data=dtrain,params = param,nthread=6,nfold = cv.nfold,nrounds = cv.nround,verbose = T)
md <-xgb.train(data=dtrain,params = param,nround = 80,watchlist = list(train=dtrain,test=dtest),nthread=6)
答案 0 :(得分:63)
看起来你误解了xgb.cv
,它不是参数搜索功能。它只进行k次交叉验证。
在您的代码中,它不会更改param
的值。
要在R的XGBoost中找到最佳参数,有一些方法。这是两种方法,
(1)使用mlr
包,http://mlr-org.github.io/mlr-tutorial/release/html/
Kaggle的Prudential挑战中有一个XGBoost + mlr example code,
但该代码用于回归,而不是分类。据我所知,mlogloss
包中还没有mlr
指标,因此您必须自己编写mlogloss测量值。 CMIIW。
(2)第二种方法,通过手动设置参数然后重复,例如,
param <- list(objective = "multi:softprob",
eval_metric = "mlogloss",
num_class = 12,
max_depth = 8,
eta = 0.05,
gamma = 0.01,
subsample = 0.9,
colsample_bytree = 0.8,
min_child_weight = 4,
max_delta_step = 1
)
cv.nround = 1000
cv.nfold = 5
mdcv <- xgb.cv(data=dtrain, params = param, nthread=6,
nfold=cv.nfold, nrounds=cv.nround,
verbose = T)
然后,你找到最好的(最小)mlogloss,
min_logloss = min(mdcv[, test.mlogloss.mean])
min_logloss_index = which.min(mdcv[, test.mlogloss.mean])
min_logloss
是mlogloss的最小值,而min_logloss_index
是索引(round)。
您必须多次重复上述过程,每次手动更改参数(mlr
为您重复此过程)。直到最后,你获得最佳的全球最低min_logloss
。
注意:您可以在100或200次迭代的循环中执行此操作,其中对于每次迭代,您可以随机设置参数值。这样,您必须将最佳[parameters_list, min_logloss, min_logloss_index]
保存在变量或文件中。
注意:最好根据set.seed()
为可重现的结果设置随机种子。不同的随机种子产生不同的结果因此,您必须将[parameters_list, min_logloss, min_logloss_index, seednumber]
保存在变量或文件中。
说最后你在3次迭代/重复中得到3个结果:
min_logloss = 2.1457, min_logloss_index = 840
min_logloss = 2.2293, min_logloss_index = 920
min_logloss = 1.9745, min_logloss_index = 780
然后您必须使用第三个参数(它具有min_logloss
的全局最小1.9745
)。您的最佳索引(nrounds)为780
。
获得最佳参数后,请在培训中使用
# best_param is global best param with minimum min_logloss
# best_min_logloss_index is the global minimum logloss index
nround = 780
md <- xgb.train(data=dtrain, params=best_param, nrounds=nround, nthread=6)
我认为您在培训中不需要watchlist
,因为您已经完成了交叉验证。但如果您仍想使用watchlist
,那就没关系。
更好的是,您可以在xgb.cv
中使用提前停止。
mdcv <- xgb.cv(data=dtrain, params=param, nthread=6,
nfold=cv.nfold, nrounds=cv.nround,
verbose = T, early.stop.round=8, maximize=FALSE)
使用此代码,当mlogloss
值未按8个步骤减少时,xgb.cv
将停止。你可以节省时间。您必须将maximize
设置为FALSE
,因为您希望最小的mlogloss。
这是一个示例代码,具有100个迭代循环和随机选择的参数。
best_param = list()
best_seednumber = 1234
best_logloss = Inf
best_logloss_index = 0
for (iter in 1:100) {
param <- list(objective = "multi:softprob",
eval_metric = "mlogloss",
num_class = 12,
max_depth = sample(6:10, 1),
eta = runif(1, .01, .3),
gamma = runif(1, 0.0, 0.2),
subsample = runif(1, .6, .9),
colsample_bytree = runif(1, .5, .8),
min_child_weight = sample(1:40, 1),
max_delta_step = sample(1:10, 1)
)
cv.nround = 1000
cv.nfold = 5
seed.number = sample.int(10000, 1)[[1]]
set.seed(seed.number)
mdcv <- xgb.cv(data=dtrain, params = param, nthread=6,
nfold=cv.nfold, nrounds=cv.nround,
verbose = T, early.stop.round=8, maximize=FALSE)
min_logloss = min(mdcv[, test.mlogloss.mean])
min_logloss_index = which.min(mdcv[, test.mlogloss.mean])
if (min_logloss < best_logloss) {
best_logloss = min_logloss
best_logloss_index = min_logloss_index
best_seednumber = seed.number
best_param = param
}
}
nround = best_logloss_index
set.seed(best_seednumber)
md <- xgb.train(data=dtrain, params=best_param, nrounds=nround, nthread=6)
使用此代码,您可以运行100次交叉验证,每次都使用随机参数。然后你得到最好的参数集,即迭代中最小的min_logloss
。
增加early.stop.round
的值,以防你发现它太小(太早停止)。您还需要根据数据特征更改随机参数值的限制。
而且,对于100或200次迭代,我认为您希望将verbose
更改为FALSE。
旁注:这是随机方法的示例,您可以调整它,例如通过贝叶斯优化获得更好的方法。如果你有XGBoost的Python版本,那么XGBoost有一个很好的超参数脚本,https://github.com/mpearmain/BayesBoost可以搜索使用贝叶斯优化设置的最佳参数。
编辑:我想在Kaggle forum添加第3个手动方法,由“Davut Polat”发布,是一个Kaggle大师。
编辑:如果您了解Python和sklearn,您还可以使用GridSearchCV以及xgboost.XGBClassifier或xgboost.XGBRegressor
答案 1 :(得分:2)
这是一个很好的问题, silo 给出了很多详细的答复!我发现这对像我这样的["c", "elery"]
新手来说非常有帮助。谢谢。随机化并与边界进行比较的方法很有启发性。很好使用和知道。现在,在2018年需要进行一些修改,例如,xgboost
应该为early.stop.round
。输出early_stopping_rounds
的组织方式略有不同:
mdcv
并根据应用程序(线性,逻辑等), min_rmse_index <- mdcv$best_iteration
min_rmse <- mdcv$evaluation_log[min_rmse_index]$test_rmse_mean
,objective
和参数应进行相应调整。
为便于运行回归的任何人,这是经过稍微调整的代码版本(大多数与上面的代码相同)。
eval_metric
答案 2 :(得分:1)
我发现筒仓的答案非常有帮助。 除了他的随机研究方法外,您可能还想使用贝叶斯优化来促进超参数搜索的过程,例如rBayesianOptimization library。 以下是我的带有rbayesianoptimization库的代码。
cv_folds <- KFold(dataFTR$isPreIctalTrain, nfolds = 5, stratified = FALSE, seed = seedNum)
xgb_cv_bayes <- function(nround,max.depth, min_child_weight, subsample,eta,gamma,colsample_bytree,max_delta_step) {
param<-list(booster = "gbtree",
max_depth = max.depth,
min_child_weight = min_child_weight,
eta=eta,gamma=gamma,
subsample = subsample, colsample_bytree = colsample_bytree,
max_delta_step=max_delta_step,
lambda = 1, alpha = 0,
objective = "binary:logistic",
eval_metric = "auc")
cv <- xgb.cv(params = param, data = dtrain, folds = cv_folds,nrounds = 1000,early_stopping_rounds = 10, maximize = TRUE, verbose = verbose)
list(Score = cv$evaluation_log$test_auc_mean[cv$best_iteration],
Pred=cv$best_iteration)
# we don't need cross-validation prediction and we need the number of rounds.
# a workaround is to pass the number of rounds(best_iteration) to the Pred, which is a default parameter in the rbayesianoptimization library.
}
OPT_Res <- BayesianOptimization(xgb_cv_bayes,
bounds = list(max.depth =c(3L, 10L),min_child_weight = c(1L, 40L),
subsample = c(0.6, 0.9),
eta=c(0.01,0.3),gamma = c(0.0, 0.2),
colsample_bytree=c(0.5,0.8),max_delta_step=c(1L,10L)),
init_grid_dt = NULL, init_points = 10, n_iter = 10,
acq = "ucb", kappa = 2.576, eps = 0.0,
verbose = verbose)
best_param <- list(
booster = "gbtree",
eval.metric = "auc",
objective = "binary:logistic",
max_depth = OPT_Res$Best_Par["max.depth"],
eta = OPT_Res$Best_Par["eta"],
gamma = OPT_Res$Best_Par["gamma"],
subsample = OPT_Res$Best_Par["subsample"],
colsample_bytree = OPT_Res$Best_Par["colsample_bytree"],
min_child_weight = OPT_Res$Best_Par["min_child_weight"],
max_delta_step = OPT_Res$Best_Par["max_delta_step"])
# number of rounds should be tuned using CV
#https://www.hackerearth.com/practice/machine-learning/machine-learning-algorithms/beginners-tutorial-on-xgboost-parameter-tuning-r/tutorial/
# However, nrounds can not be directly derivied from the bayesianoptimization function
# Here, OPT_Res$Pred, which was supposed to be used for cross-validation, is used to record the number of rounds
nrounds=OPT_Res$Pred[[which.max(OPT_Res$History$Value)]]
xgb_model <- xgb.train (params = best_param, data = dtrain, nrounds = nrounds)