XGBoost超參數(shù)調(diào)優(yōu)指南（2）

子抽樣subsample它將更多的隨機(jī)性引入到訓(xùn)練中，從而有助于對(duì)抗過(guò)擬合。

Subsample =0.7意味著集合中的每個(gè)決策樹(shù)將在隨機(jī)選擇的70%可用數(shù)據(jù)上進(jìn)行訓(xùn)練。值1.0表示將使用所有行(不進(jìn)行子抽樣)。

與subsample類似，也有colsample_bytree。顧名思義，colsample_bytree控制每個(gè)決策樹(shù)將使用的特征的比例。Colsample_bytree =0.8使每個(gè)樹(shù)使用每個(gè)樹(shù)中隨機(jī)80%的可用特征(列)。

調(diào)整這兩個(gè)參數(shù)可以控制偏差和方差之間的權(quán)衡。使用較小的值降低了樹(shù)之間的相關(guān)性，增加了集合中的多樣性，有助于提高泛化和減少過(guò)擬合。

但是它們可能會(huì)引入更多的噪聲，增加模型的偏差。而使用較大的值會(huì)增加樹(shù)之間的相關(guān)性，降低多樣性并可能導(dǎo)致過(guò)擬合。

最大深度max_depth控制決策樹(shù)在訓(xùn)練過(guò)程中可能達(dá)到的最大層次數(shù)。

更深的樹(shù)可以捕獲特征之間更復(fù)雜的相互作用。但是更深的樹(shù)也有更高的過(guò)擬合風(fēng)險(xiǎn)，因?yàn)樗鼈兛梢杂涀∮?xùn)練數(shù)據(jù)中的噪聲或不相關(guān)的模式。為了控制這種復(fù)雜性，可以限制max_depth，從而生成更淺、更簡(jiǎn)單的樹(shù)，并捕獲更通用的模式。

Max_depth數(shù)值可以很好地平衡了復(fù)雜性和泛化。

這兩個(gè)參數(shù)一起說(shuō)是因?yàn)閍lpha (L1)和lambda (L2)是兩個(gè)幫助過(guò)擬合的正則化參數(shù)。

與其他正則化參數(shù)的區(qū)別在于，它們可以將不重要或不重要的特征的權(quán)重縮小到0(特別是alpha)，從而獲得具有更少特征的模型，從而降低復(fù)雜性。

alpha和lambda的效果可能受到max_depth、subsample和colsample_bytree等其他參數(shù)的影響。更高的alpha或lambda值可能需要調(diào)整其他參數(shù)來(lái)補(bǔ)償增加的正則化。例如，較高的alpha值可能受益于較大的subsample值，因?yàn)檫@樣可以保持模型多樣性并防止欠擬合。

如果你讀過(guò)XGBoost文檔，它說(shuō)gamma是:

在樹(shù)的葉節(jié)點(diǎn)上進(jìn)行進(jìn)一步分區(qū)所需的最小損失減少。

英文原文：the minimum loss reduction required to make a further partition on a leaf node of the tree.

我覺(jué)得除了寫(xiě)這句話的人，其他人都看不懂。讓我們看看它到底是什么，下面是一個(gè)兩層決策樹(shù):

為了證明通過(guò)拆分葉節(jié)點(diǎn)向樹(shù)中添加更多層是合理的，XGBoost應(yīng)該計(jì)算出該操作能夠顯著降低損失函數(shù)。

但“顯著是多少呢?”這就是gamma——它作為一個(gè)閾值來(lái)決定一個(gè)葉節(jié)點(diǎn)是否應(yīng)該進(jìn)一步分割。

如果損失函數(shù)的減少(通常稱為增益)在潛在分裂后小于選擇的伽馬，則不執(zhí)行分裂。這意味著葉節(jié)點(diǎn)將保持不變，并且樹(shù)不會(huì)從該點(diǎn)開(kāi)始生長(zhǎng)。

所以調(diào)優(yōu)的目標(biāo)是找到導(dǎo)致?lián)p失函數(shù)最大減少的最佳分割，這意味著改進(jìn)的模型性能。

XGBoost從具有單個(gè)根節(jié)點(diǎn)的單個(gè)決策樹(shù)開(kāi)始初始訓(xùn)練過(guò)程。該節(jié)點(diǎn)包含所有訓(xùn)練實(shí)例(行)。然后隨著 XGBoost 選擇潛在的特征和分割標(biāo)準(zhǔn)最大程度地減少損失，更深的節(jié)點(diǎn)將包含越來(lái)越少的實(shí)例。

如果讓XGBoost任意運(yùn)行，樹(shù)可能會(huì)長(zhǎng)到最后節(jié)點(diǎn)中只有幾個(gè)無(wú)關(guān)緊要的實(shí)例。這種情況是非常不可取的，因?yàn)檫@正是過(guò)度擬合的定義。

所以XGBoost為每個(gè)節(jié)點(diǎn)中繼續(xù)分割的最小實(shí)例數(shù)設(shè)置一個(gè)閾值。通過(guò)對(duì)節(jié)點(diǎn)中的所有實(shí)例進(jìn)行加權(quán)，并找到權(quán)重的總和，如果這個(gè)最終權(quán)重小于min_child_weight，則分裂停止，節(jié)點(diǎn)成為葉節(jié)點(diǎn)。

上面解釋是對(duì)整個(gè)過(guò)程的最簡(jiǎn)化的版本，因?yàn)槲覀冎饕榻B他的概念。

以上就是我們對(duì)這 10個(gè)重要的超參數(shù)的解釋，如果你想更深入的了解仍有很多東西需要學(xué)習(xí)。所以建議給ChatGPT以下兩個(gè)提示:

1) Explain the {parameter_name} XGBoost parameter in detail and how to choose values for it wisely.
 
2) Describe how {parameter_name} fits into the step-by-step tree-building process of XGBoost.

它肯定比我講的明白，對(duì)吧。

最后如果你也用optuna進(jìn)行調(diào)優(yōu)，請(qǐng)參考以下的GIST：

https://gist.github.com/BexTuychiev/823df08d2e3760538e9b931d38439a68