hyperopt对xgboost和lightgbm进行调参

hyperopt简介

hyperopt是一个贝叶斯优化来调整参数的工具, 优化输入参数是的目标函数的值最小, 当模型的参数过多时, 该方法比gridsearchcv要快,并且有比较好的效果, 或者结合使用,对于重要的单个参数使用gridsearchcv暴力穷举缩小主要参数范围, 再使用hyperopt加上其他次重要参数在小范围空间进行精细调参


hyperopt测试

安装

pip install hyperopt

寻找函数的最小值x使得函数y=x最小,使用hyperopt下的fmin方法,指定tpe退火算法进行搜索

from hyperopt import fmin, tpe, hp
best = fmin(
    fn=lambda x: x,  # 优化最小化函数
    space=hp.uniform('x', 0, 1),  # x的搜索空间, uniform0-1之间的均匀分布
    algo=tpe.suggest,  # 使用的搜索算法
    max_evals=100)  # 最大评估次数
print(best)

输出结果,结果返回best是一个字典

100%|██████████| 100/100 [00:00<00:00, 153.98trial/s, best loss: 5.599423732018799e-05]
{'x': 0.0011367664025380307}

寻找一个值x使得平方函数最小

best = fmin(
    fn=lambda x: (x-1)**2,
    space=hp.uniform('x', -2, 2),
    algo=tpe.suggest,
    max_evals=100)

print(best)

输出结果为接近1

100%|██████████| 100/100 [00:00<00:00, 379.37trial/s, best loss: 9.565468616456154e-07]
{'x': 0.9990219678626724}

把每次寻找结果画出来,可见随着搜索次数的增加,搜索结果无限逼近1

import matplotlib.pyplot as plt

res = []
for epoch in range(1, 100):
    best = fmin(
        fn=lambda x: (x-1)**2,
        space=hp.uniform('x', -2, 2),
        algo=tpe.suggest,
        max_evals=epoch)
    res.append(best["x"])
plt.plot(res)
plt.show()
hyperopt_test.png

hyperopt的使用步骤

(1)定义最小化的目标函数
(2)定义搜索空间
(3)定义存储搜索点数据的数据库
(4)定义搜索算法


定义变量搜索空间

对于变量的变化范围与取值概率,常用的有以下几类,实现接口在 from hyperopt import hp下

(1) hp.choice(label, options)
options输入是list或者tuple, 在上限限之间枚举一个值,适合离散变量的参数
(2) hp.randint(label, upper)
upper是一个整数, 返回子啊[0, ipper)下的一个随机整数
(3) hp.uniform(label, low, high)
在一个low和high之间的均匀分布上搜索,在浮点数空间上进行
(4) hp.quniform(label, low, high, q)
在low和high上下区间均匀搜索离散值, q是离散值间隔,搜索round(uniform(low,high)/ q)* q的值,可以简单理解为在low和high之间(附近),均匀搜索间隔为q的整数值,用代码模拟如下

import numpy as np
import pandas as pd

def get_value(low, high, q):
    return round(np.random.uniform(low, high) / q) * q

dic = {}
for i in range(500):
    res = get_value(3, 20, 4)
    dic[res] = dic.get(res, 0) + 1

pd.Series(dic).sort_index().plot(kind="bar")
hp.quniform测试(3, 20, 4).png
dic = {}
for i in range(500):
    res = get_value(3, 20, 3)
    dic[res] = dic.get(res, 0) + 1

pd.Series(dic).sort_index().plot(kind="bar")
hp.quniform测试(3, 20, 3).png

定义存储参数的数据库

使用默认的trials数据库,直接在fmin中定义trials对象, 返回一个代表所有搜索内容的字典列表

trials = hyperopt.Trials()

定义搜索方法

对应algo中的algo参数,支持以下算法:

(1) 随机搜索(hyperopt.rand.suggest)
(2) 模拟退火(hyperopt.anneal.suggest)
(3) TPE算法(hyperopt.tpe.suggest,算法全称为Tree-structured Parzen Estimator Approach)

使用hyperopt对模型进行调参

(1)以一个二分类问题为例, 对原始数据进行特征工程,处理成标准模型数据, 其中preprocessor是一个ColumnTransformer对象,整体封装为一个pipeline,fit_transform得到标准数据

import numpy as np
import pandas as pd
import xgboost as xgb
from xgboost import XGBClassifier
from lightgbm import LGBMClassifier
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
from sklearn.preprocessing import FunctionTransformer
from sklearn.model_selection import cross_val_score
import hyperopt

df = pd.read_csv("data/train.csv")

df = pd.concat([df[df["y"] == "yes"], df[df["y"] == "no"].sample(n=df[df["y"] == "yes"].shape[0] * 3)], ignore_index=True)

continus_cols = ["age", "duration", "campaign", "pdays", "previous", "emp.var.rate", "cons.price.idx", "cons.conf.idx", "euribor3m", 
                 "nr.employed"]

category_cols = ["job", "marital", "education", "default", "housing", "loan", "contact", "month", "day_of_week", "poutcome"]

preprocessor = ColumnTransformer(
            transformers=[
                    ("none", FunctionTransformer(lambda x: x), continus_cols), 
                    ("onehot", OneHotEncoder(handle_unknown='ignore'), category_cols)
                    ])

train = preprocessor.fit_transform(df[continus_cols + category_cols])
train_y = [0 if x == "no" else 1 for x in df["y"].values]

(2)定义优化函数, 定义优化函数为训练集Xgboost 5折交叉验证的1-auc,每一轮将搜索参数字典和auc打印出来

def hyperopt_objective(params):
    
    model = XGBClassifier(
        max_depth=int(params['max_depth']) + 3,
        learning_rate=params['learning_rate'],
        n_estimators=int(params['n_estimators']),
        min_child_weight=int(params['min_child_weight']),
        subsample=params["subsample"],
        colsample_bytree=params["colsample_bytree"],
        gamma=params["gamma"]
    )
     
    res = np.mean(cross_val_score(model, train, train_y, cv=5, n_jobs=-1, scoring='roc_auc'))
    print("*" * 30)
    print(params)
    print("roc_auc: {}".format(res))
    
    return 1 - res

在搜索参数传入模型时进行转化

(1) max_depth浮点数转化为整数, 并且基数 + 3
(2) n_estimators浮点数转化为整数
(3) min_child_weight浮点数转化为整数

(3)定义调参空间, 对xgboost的主要参数指定搜索空间

params_space = {
    'max_depth': hyperopt.hp.randint('max_depth', 12),
    'learning_rate': hyperopt.hp.uniform('learning_rate', 1e-3, 5e-1),
    'n_estimators': hyperopt.hp.quniform("n_estimators", 100, 200, 20),
    'min_child_weight': hyperopt.hp.randint('min_child_weight', 3),
    'subsample': hyperopt.hp.uniform('subsample', 0.6, 1),
    'colsample_bytree': hyperopt.hp.uniform('colsample_bytree', 0.6, 1),
    'gamma': hyperopt.hp.uniform('gamma', 0, 0.3)
}

(4) 定义存储过程参数的默认数据库trials 对象

trials = hyperopt.Trials()

(5) 定义主方法fmin,输出的best是一个参数字典

best = hyperopt.fmin(
    hyperopt_objective,
    space=params_space,
    algo=hyperopt.tpe.suggest,
    max_evals=20,
    trials=trials)

print("最佳参数")
print(best)

搜索过程如下

******************************                                                    
{'colsample_bytree': 0.6587057989285068, 'gamma': 0.08349627219616713, 'learning_rate': 0.1071323085829065, 'max_depth': 11, 'min_child_weight': 2, 'n_estimators': 200.0, 'subsample': 0.8267234620571373}
roc_auc: 0.94656374379679                                                         
******************************                                                    
{'colsample_bytree': 0.637307962287014, 'gamma': 0.05174238990136167, 'learning_rate': 0.47001705750952716, 'max_depth': 6, 'min_child_weight': 0, 'n_estimators': 140.0, 'subsample': 0.8097032550531738}
roc_auc: 0.9418830756277139                                                       
100%|██████████| 20/20 [02:51<00:00,  8.57s/trial, best loss: 0.04881901526421206]
最佳参数
{'colsample_bytree': 0.7786809516292569, 'gamma': 0.1362980300099654, 'learning_rate': 0.08161287652125764, 'max_depth': 2, 'min_child_weight': 0, 'n_estimators': 140.0, 'subsample': 0.8670303638365404}

对于lightgbm,使用sklearn的接口LGBMClassifier,调参部分代码如下

def hyperopt_objective(params):
    
    model = LGBMClassifier(
        max_depth=int(params['max_depth']) + 3,
        learning_rate=params['learning_rate'],
        n_estimators=int(params['n_estimators']),
        subsample=params["subsample"],
        colsample_bytree=params["colsample_bytree"],
        min_data_in_leaf=int(params["min_data_in_leaf"])  # 最小叶子节点样本数
    )
    
    res = np.mean(cross_val_score(model, train, train_y, cv=5, n_jobs=-1, scoring='roc_auc'))
    print("*" * 30)
    print(params)
    print("roc_auc: {}".format(res))
    
    return 1 - res

# 定义调参空间
params_space = {
    'max_depth': hyperopt.hp.randint('max_depth', 12),
    'learning_rate': hyperopt.hp.uniform('learning_rate', 1e-3, 5e-1),
    'n_estimators': hyperopt.hp.quniform("n_estimators", 100, 200, 20),
    'subsample': hyperopt.hp.uniform('subsample', 0.6, 1),
    'colsample_bytree': hyperopt.hp.uniform('colsample_bytree', 0.6, 1),
    'min_data_in_leaf': hyperopt.hp.quniform('min_data_in_leaf', 3, 15, 2)
}

trials = hyperopt.Trials()

best = hyperopt.fmin(
    hyperopt_objective,
    space=params_space,
    algo=hyperopt.tpe.suggest,
    max_evals=20,
    trials=trials)

print("最佳参数")
print(best)

输出如下

******************************                                                    
{'colsample_bytree': 0.9772472660582058, 'learning_rate': 0.38724477853350703, 'max_depth': 9, 'n_estimators': 140.0, 'subsample': 0.8082547449297106}
roc_auc: 0.9378750118665657                                                       
******************************                                                    
{'colsample_bytree': 0.8698414936492014, 'learning_rate': 0.47084277807947017, 'max_depth': 1, 'n_estimators': 140.0, 'subsample': 0.7345708189893152}
roc_auc: 0.9272081797753863                                                       
******************************                                                    
{'colsample_bytree': 0.6787426765354041, 'learning_rate': 0.0882329240953757, 'max_depth': 5, 'n_estimators': 120.0, 'subsample': 0.7412720323927691}
roc_auc: 0.95005503163141                                                         
100%|██████████| 20/20 [00:23<00:00,  1.18s/trial, best loss: 0.04919464019243969]
最佳参数
{'colsample_bytree': 0.8939241012291288, 'learning_rate': 0.03462416674347271, 'max_depth': 10, 'n_estimators': 180.0, 'subsample': 0.7304965473301595}

lightGBM的调参攻略

参数解析

  • max_depth: 默认是-1, 即不限制树的最大深度, lightGBM不使用max_depth控制树的复杂度, 使用num_leaves ,如果指定了可以一定程度限制树深, 防止过拟合
  • num_leaves: 默认是31, 1 < num_leaves <= 131072, 这个值设置成2的max_depth次方-1, 这个值越大树复杂度越大, 在训练集上的精度越高
  • max_bin: 默认是是255. max_bin > 1, 越大训练集精度越高
  • learning_rate: 默认是0.1, 低学习率配合高迭代num_iterations,或者n_estimators
  • min_data_in_leaf: 叶子节点最小数据量,小于这个量树就不再生长了, 默认是20, 增大这个值可以限制树的生长
  • lambda_l1: 默认0
  • lambda_l2: 默认0
  • dart: 带有dropout的gbdt, 可能可以提高精度

For Faster Speed

  • Use bagging by setting bagging_fraction and bagging_freq
  • Use feature sub-sampling by setting feature_fraction
  • Use small max_bin
  • Use save_binary to speed up data loading in future learning
  • Use parallel learning, refer to Parallel Learning Guide

For Better Accuracy

  • Use large max_bin (may be slower)
  • Use small learning_rate with large num_iterations
  • Use large num_leaves (may cause over-fitting)
  • Use bigger training data
  • Try dart

Deal with Over-fitting

  • Use small max_bin
  • Use small num_leaves
  • Use min_data_in_leaf and min_sum_hessian_in_leaf
  • Use bagging by set bagging_fraction and bagging_freq
  • Use feature sub-sampling by set feature_fraction
  • Use bigger training data
  • Try lambda_l1, lambda_l2 and min_gain_to_split for regularization
  • Try max_depth to avoid growing deep tree
lgb_params = {'num_leaves': 2**7-1,
              'min_data_in_leaf': 25, 
              'objective':'regression_l2',
              'max_depth': -1,
              'learning_rate': 0.1,
              'min_child_samples': 20,
              'boosting': 'gbdt',
              'feature_fraction': 0.6,
              'bagging_fraction': 0.9,
              'bagging_seed': 11,
              'metric': 'mae',
              'seed':1024,
              'lambda_l1': 0.2}
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 215,384评论 6 497
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 91,845评论 3 391
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 161,148评论 0 351
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 57,640评论 1 290
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 66,731评论 6 388
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 50,712评论 1 294
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 39,703评论 3 415
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 38,473评论 0 270
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,915评论 1 307
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,227评论 2 331
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,384评论 1 345
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,063评论 5 340
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 40,706评论 3 324
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,302评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,531评论 1 268
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,321评论 2 368
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,248评论 2 352