万字总结XGBoost原理、核心参数以及调优思路（下篇）
在数据科学领域，XGBoost以其卓越的性能和灵活性，成为了众多机器学习算法中的佼佼者。作为一种梯度提升框架，XGBoost通过构建决策树的集合来最小化一个可微分的损失函数，广泛应用于分类、回归等任务。本文将万字总结XGBoost的深层原理、关键核心参数，以及实用的调优策略。从算法基础到模型部署，我们将深入探讨XGBoost的每一个环节，为读者提供全面的指导和深入的洞见。无论您是希望提升模型性能的数据科学家，还是对XGBoost感兴趣的学习者，本文都将是您理解和掌握这一强大工具的宝贵资源。让我们启程，深入探索XGBoost的奥秘。
本篇是关于xgboost的下篇，将侧重xgboost模型的优化，xgboost各类参数详解见上篇：
万字总结XGBoost原理、核心参数以及调优思路（上篇）
文章目录
三、XGBoost的参数空间与超参数优化
1 确定XGBoost优化的参数空间
与之前介绍过的随机森林、gbdt一样，对xgboost的调参同样可以分为两步，首先确定不同参数对模型的影响力大小，确定调参范围，然后对待调参的参数进行进一步探索，初步确定有效的调参空间，再行调参。
注意：
- 在随机森林中影响力巨大的max_depth在XGBoost中默认值为6，比GBDT中的调参空间略大（GBDT中默认为3），但还是没有太多的空间，因此影响力不足，并且max_depth很多时候都是往大了调。
- 在GBDT中影响力巨大的max_features对标XGBoost中的colsample_by*系列参数，原则上来说影响力应该非常大，但由于三个参数共同作用，调参难度较高，在只有1个参数作用时效果略逊于max_features。
- 精剪枝参数往往不会对模型有太大的影响，但在XGBoost当中，min_child_weight与结构分数的计算略微相关，因此有时候会展现出较大的影响力。故而将这个精剪枝参数设置为4星参数。
- 类似于objective这样影响整体学习能力的参数一般都有较大的影响力，但XGBoost当中每种任务可选的损失函数不多，因此一般损失函数不在调参范围之内，故认为该参数的影响力不明显。
- XGBoost的初始化分数只能是数字，因此当迭代次数足够多、数据量足够大时，起点的影响会越来越小。因此一般不会对base_score进行调参。
调参时的参数选择（重点！！！）
-
num_boost_round和eta，重点中的重点，必须调。
-
colsample_by*中选一个调，一般选bytree的多，非要选两个就再选一个bynode（一般不会同时选两个，过于随机会造成模型不稳定，严重影响整体模型的学习能力），gamma和lambda选一个调，一般选lambda。（搜索的时候如果gamma进行搜索了，lambda和min_child_weight最好也进行搜索）
-
booster一般不调，如果出现验证过拟合情况了，可以考虑使用。
-
min_child_weight和max_depth一般要参与调。
-
数据量很大的时候subsamples也要调，一般可以不用调，调得话最好也是0.5以上，样本太少建模不稳定。
-
计算资源足够的时候可以都调。
待调参参数参数空间的确定：
欢迎关注公众号：待调参参数参数空间的确定
2 使用贝叶斯优化（TPE）对xgboost进行模型优化
总结
