對于XGBoost來說，默認(rèn)的超參數(shù)是可以正常運(yùn)行的，但是如果你想獲得最佳的效果，那么就需要自行調(diào)整一些超參數(shù)來匹配你的數(shù)據(jù)，以下參數(shù)對于XGBoost非常重要:

• eta

• num_boost_round

• max_depth

• subsample

• colsample_bytree

• gamma

• min_child_weight

• lambda

• alpha

XGBoost的API有2種調(diào)用方法，一種是我們常見的原生API，一種是兼容Scikit-learn API的API，Scikit-learn API與Sklearn生態(tài)系統(tǒng)無縫集成。我們這里只關(guān)注原生API（也就是我們最常見的），但是這里提供一個列表，這樣可以幫助你對比2個API參數(shù)，萬一以后用到了呢：

如果想使用Optuna以外的超參數(shù)調(diào)優(yōu)工具，可以參考該表。下圖是這些參數(shù)對之間的相互作用:

這些關(guān)系不是固定的，但是大概情況是上圖的樣子，因?yàn)橛幸恍┢渌麉?shù)可能會對我們的者10個參數(shù)有額外的影響。

這是我們模型的訓(xùn)練目標(biāo)

最簡單的解釋是，這個參數(shù)指定我們模型要做的工作，也就是影響決策樹的種類和損失函數(shù)。

num_boost_round指定訓(xùn)練期間確定要生成的決策樹(在XGBoost中通常稱為基礎(chǔ)學(xué)習(xí)器)的數(shù)量。默認(rèn)值是100，但對于今天的大型數(shù)據(jù)集來說，這還遠(yuǎn)遠(yuǎn)不夠。

增加參數(shù)可以生成更多的樹，但隨著模型變得更復(fù)雜，過度擬合的機(jī)會也會顯著增加。

從Kaggle中學(xué)到的一個技巧是為num_boost_round設(shè)置一個高數(shù)值，比如100,000，并利用早停獲得最佳版本。

在每個提升回合中，XGBoost會生成更多的決策樹來提高前一個決策樹的總體得分。這就是為什么它被稱為boost。這個過程一直持續(xù)到num_boost_round輪詢?yōu)橹?，不管是否比上一輪有所改進(jìn)。

但是通過使用早停技術(shù)，我們可以在驗(yàn)證指標(biāo)沒有提高時停止訓(xùn)練，不僅節(jié)省時間，還能防止過擬合。

有了這個技巧，我們甚至不需要調(diào)優(yōu)num_boost_round。下面是它在代碼中的樣子:

 # Define the rest of the params params = {...}
 # Build the train/validation sets dtrain_final = xgb.DMatrix(X_train, label=y_train) dvalid_final = xgb.DMatrix(X_valid, label=y_valid)
 bst_final = xgb.train(    params,    dtrain_final,    num_boost_round=100000 # Set a high number    evals=[(dvalid_final, "validation")],    early_stopping_rounds=50, # Enable early stopping    verbose_eval=False, )

上面的代碼使XGBoost生成100k決策樹，但是由于使用了早停，當(dāng)驗(yàn)證分?jǐn)?shù)在最后50輪中沒有提高時，它將停止。一般情況下樹的數(shù)量范圍在5000-10000即可。控制num_boost_round也是影響訓(xùn)練過程運(yùn)行時間的最大因素之一，因?yàn)楦嗟臉湫枰嗟馁Y源。

在每一輪中，所有現(xiàn)有的樹都會對給定的輸入返回一個預(yù)測。例如，五棵樹可能會返回以下對樣本N的預(yù)測:

 Tree 1: 0.57   Tree 2: 0.9   Tree 3: 4.25   Tree 4: 6.4   Tree 5: 2.1

為了返回最終的預(yù)測，需要對這些輸出進(jìn)行匯總，但在此之前XGBoost使用一個稱為eta或?qū)W習(xí)率的參數(shù)縮小或縮放它們。縮放后最終輸出為:

 output = eta * (0.57 + 0.9 + 4.25 + 6.4 + 2.1)

大的學(xué)習(xí)率給集合中每棵樹的貢獻(xiàn)賦予了更大的權(quán)重，但這可能會導(dǎo)致過擬合/不穩(wěn)定，會加快訓(xùn)練時間。而較低的學(xué)習(xí)率抑制了每棵樹的貢獻(xiàn)，使學(xué)習(xí)過程更慢但更健壯。這種學(xué)習(xí)率參數(shù)的正則化效應(yīng)對復(fù)雜和有噪聲的數(shù)據(jù)集特別有用。

學(xué)習(xí)率與num_boost_round、max_depth、subsample和colsample_bytree等其他參數(shù)呈反比關(guān)系。較低的學(xué)習(xí)率需要較高的這些參數(shù)值，反之亦然。但是一般情況下不必?fù)?dān)心這些參數(shù)之間的相互作用，因?yàn)槲覀儗⑹褂米詣诱{(diào)優(yōu)找到最佳組合。