在 SciKit-Learn 中使用 XGBoost 交叉验证进行网格搜索和提前停止

Question

我对 sci-kit learn 还很陌生，并且一直在尝试对 XGBoost 进行超参数调整。我的目标是使用提前停止和网格搜索来调整模型参数，并使用提前停止来控制树的数量并避免过度拟合。

由于我对网格搜索使用交叉验证，我希望在早期停止条件中也使用交叉验证。到目前为止，我的代码如下所示：

import numpy as np
import pandas as pd
from sklearn import model_selection
import xgboost as xgb

#Import training and test data
train = pd.read_csv("train.csv").fillna(value=-999.0)
test = pd.read_csv("test.csv").fillna(value=-999.0)

# Encode variables
y_train = train.price_doc
x_train = train.drop(["id", "timestamp", "price_doc"], axis=1)

# XGBoost - sklearn method
gbm = xgb.XGBRegressor()

xgb_params = {
'learning_rate': [0.01, 0.1],
'n_estimators': [2000],
'max_depth': [3, 5, 7, 9],
'gamma': [0, 1],
'subsample': [0.7, 1],
'colsample_bytree': [0.7, 1]
}

fit_params = {
'early_stopping_rounds': 30,
'eval_metric': 'mae',
'eval_set': [[x_train,y_train]]
}

grid = model_selection.GridSearchCV(gbm, xgb_params, cv=5, 
fit_params=fit_params)
grid.fit(x_train,y_train)

我遇到的问题是“eval_set”参数。我知道这需要预测变量和响应变量，但我不确定如何使用交叉验证数据作为提前停止标准。

有谁知道如何解决这个问题？谢谢。

Answer 1

在 GridSearchCV 中包含提前停止没有多大意义。提前停止用于快速找到训练/有效情况下的最佳 n_rounds。如果我们不关心“快速”，我们可以调整 n_rounds。假设 GridSearchCV 具有为每个折叠执行提前停止 n_rounds 的功能，那么对于每组超参数，我们将有 N(折叠数) n_rounds。也许 n_rounds 的平均值可以用于最终的最佳超参数集，但当 n_rounds 彼此相差太大时，它可能不是一个好的选择。因此，在 GridSearchCV 中包含提前停止可能会提高 Trianing 的速度，但结果可能不是最好的。

接受的答案中建议的方法更像是调整 n_rounds 参数而不是提前停止，因为作者承认“它不会节省评估所有可能的 n_rounds 所需的计算时间”。

Answer 2

使用xgboost原创。

从数据Dmatrix 生成并使用xgboost.cv

tutorial

Answer 3

您可以将 early_stopping_rounds 和 eval_set 作为额外的 fit_params 传递给 GridSearchCV，这实际上是可行的。但是，GridSearchCV 不会更改不同折叠之间的 fit_params，因此您最终会在所有折叠中使用相同的 eval_set，这可能不是您所说的 CV。

model=xgb.XGBClassifier()
clf = GridSearchCV(model, parameters,
                         fit_params={'early_stopping_rounds':20,\
                         'eval_set':[(X,y)]},cv=kfold)  

经过一些调整，我发现整合 early_stopping_rounds 和sklearn API 最安全的方法是自己实现 early_stopping 机制。如果您使用 n_rounds 作为要调整的参数执行GridSearchCV，则可以这样做。然后，您可以随着n_rounds 的增加观察不同模型的 mean_validation_score。然后，您可以为提前停止定义自定义启发式。它不会节省评估所有可能的n_rounds 所需的计算时间

我认为这也是一种更好的方法，然后为此目的使用单个拆分保持。