什么是 XGBoost？如何直觀理解 XGBoost？它為什么這么優(yōu)秀？
我對(duì)十五年前第一天工作的情況還記憶猶新。彼時(shí)我剛畢業(yè)，在一家全球投資銀行做分析師。我打著領(lǐng)帶，試圖記住學(xué)到的每一件事。與此同時(shí)，在內(nèi)心深處，我很懷疑自己是否可以勝任這份工作。感受到我的焦慮后，老板笑著說：
「別擔(dān)心，你只需要了解回歸模型就可以了?！?/p>
我當(dāng)初想的是「我知道這個(gè)！」。我知道回歸模型——線性回歸和 logistic 回歸都知道。老板是對(duì)的。我在任職期間僅僅構(gòu)建了基于回歸的統(tǒng)計(jì)模型。我并不是一個(gè)人。事實(shí)上，當(dāng)時(shí)的回歸模型在預(yù)測(cè)分析中獨(dú)占鰲頭。而十五年后的今天，回歸模型的時(shí)代已經(jīng)結(jié)束了。遲暮的女王已經(jīng)退場(chǎng)，取而代之的是名字時(shí)髦、活力滿滿的新女王——XGBoost（Exterme Gradient Boosting，極限梯度提升）。
什么是 XGBoost？
XGBoost 是基于決策樹的集成機(jī)器學(xué)習(xí)算法，它以梯度提升（Gradient Boost）為框架。在非結(jié)構(gòu)數(shù)據(jù)（圖像、文本等）的預(yù)測(cè)問題中，人工神經(jīng)網(wǎng)絡(luò)的表現(xiàn)要優(yōu)于其他算法或框架。但在處理中小型結(jié)構(gòu)數(shù)據(jù)或表格數(shù)據(jù)時(shí)，現(xiàn)在普遍認(rèn)為基于決策樹的算法是最好的。下圖列出了近年來基于樹的算法的演變過程：
從決策樹到 XGBoost 算法的演變。
XGBoost 算法最初是華盛頓大學(xué)的一個(gè)研究項(xiàng)目。陳天奇和 Carlos Guestrin 在 SIGKDD 2016 大會(huì)上發(fā)表的論文《XGBoost: A Scalable Tree Boosting System》在整個(gè)機(jī)器學(xué)習(xí)領(lǐng)域引起轟動(dòng)。自發(fā)表以來，該算法不僅多次贏得 Kaggle 競(jìng)賽，還應(yīng)用在多個(gè)前沿工業(yè)應(yīng)用中，并推動(dòng)其發(fā)展。許多數(shù)據(jù)科學(xué)家合作參與了 XGBoost 開源項(xiàng)目，GitHub 上的這一項(xiàng)目（https://github.com/dmlc/xgboost/）約有 350 個(gè)貢獻(xiàn)者，以及 3600 多條提交。和其他算法相比，XGBoost 算法的不同之處有以下幾點(diǎn)：
應(yīng)用范圍廣泛：該算法可以解決回歸、分類、排序以及用戶自定義的預(yù)測(cè)問題；
可移植性：該算法可以在 Windows、Linux 和 OS X 上流暢地運(yùn)行；
語言：支持包括 C++、Python、R、Java、Scala 和 Julia 在內(nèi)的幾乎所有主流編程語言；
云集成：支持 AWS、Azure 和 Yarn 集群，也可以很好地配合 Flink、 Spark 等其他生態(tài)系統(tǒng)。
對(duì) XGBoost 的直觀理解
決策樹是易于可視化、可解釋性相對(duì)較強(qiáng)的算法，但是要建立下一代基于樹的算法的直觀理解可能就有些棘手了。為了更好地理解基于樹的算法的演變過程，我對(duì)其做了簡(jiǎn)單的類比：
假設(shè)你是面試官，要面試幾名資歷非常優(yōu)秀的求職者?；跇涞乃惴ㄑ葑冞^程的每一步都可以類比為不同版本的面試場(chǎng)景。
決策樹：每一名面試官都有一套自己的面試標(biāo)準(zhǔn)，比如教育水平、工作經(jīng)驗(yàn)以及面試表現(xiàn)等。決策樹類似于面試官根據(jù)他（她）自己的標(biāo)準(zhǔn)面試求職者。
袋裝法（Bagging）：現(xiàn)在面試官不只有一個(gè)人，而是一整個(gè)面試小組，小組中的每位面試官都有投票權(quán)。Bagging（Boostrap Aggregating）就是通過民主投票過程，綜合所有面試官的投票，然后做出最終決定。
隨機(jī)森林（Random Forest）：這是基于 Bagging 的算法，但與 Bagging 有明顯區(qū)別——它隨機(jī)選擇特征子集。也就是，每位面試官只會(huì)隨機(jī)選擇一些側(cè)面來對(duì)求職者進(jìn)行面試（比如測(cè)試編程技能的技術(shù)面或者是評(píng)估非技術(shù)技能的行為面試）。
Boosting：這是一種替代方法，每位面試官根據(jù)前一位面試官的反饋來調(diào)整評(píng)估標(biāo)準(zhǔn)。通過部署更動(dòng)態(tài)的評(píng)估流程來「提升」面試效率。
梯度提升（Gradient Boosting）：這是 Boosting 的特例，這種算法通過梯度下降算法來最小化誤差。用面試類比的話，就是戰(zhàn)略咨詢公司用案例面試來剔除那些不符合要求的求職者；
XGBoost：將 XGBoost 視為「打了雞血」的梯度提升（將這種算法稱為「極限梯度提升」是有原因的！）。這是軟硬件優(yōu)化技術(shù)的完美結(jié)合，它可以在最短時(shí)間內(nèi)用更少的計(jì)算資源得到更好的結(jié)果。
為什么 XGBoost 如此優(yōu)秀？
XGBoost 和梯度提升機(jī)（Gradient Boosting Machine，GBM）都是用梯度下降架構(gòu)增強(qiáng)弱學(xué)習(xí)器（一般是 CART）的集成樹方法。但 XGBoost 通過系統(tǒng)優(yōu)化和算法增強(qiáng)改進(jìn)了基礎(chǔ) GBM 框架。
XGBoost 是如何優(yōu)化標(biāo)準(zhǔn) GBM 算法的
系統(tǒng)優(yōu)化
并行：XGBoost 用并行的方式實(shí)現(xiàn)了序列樹的構(gòu)建過程?？紤]到用于構(gòu)建基礎(chǔ)學(xué)習(xí)器的循環(huán)、枚舉樹的葉節(jié)點(diǎn)的外部循環(huán)以及計(jì)算特征的第二個(gè)內(nèi)部循環(huán)的可互換性，這是完全有可能實(shí)現(xiàn)的。由于沒有完整的內(nèi)部循環(huán)就無法啟動(dòng)外部循環(huán)（兩個(gè)循環(huán)要求的計(jì)算資源更多），因此這種嵌套的循環(huán)限制了并行。為了改善運(yùn)行時(shí)，就要交換循環(huán)的順序，這通過對(duì)所有實(shí)例進(jìn)行全局掃描來執(zhí)行初始化以及用并行線程排序來實(shí)現(xiàn)。這樣的變換抵消了計(jì)算中并行所需的開銷，從而提升了算法性能。
剪枝：從本質(zhì)上講 GBM 框架內(nèi)樹分裂的停止標(biāo)準(zhǔn)是貪婪的，這取決于分裂點(diǎn)的負(fù)損失。XGBoost 優(yōu)先使用指定的「max_depth」參數(shù)，然后開始后向修剪樹。這種「深度優(yōu)先」的方法顯著提升了計(jì)算性能。
硬件優(yōu)化：XGBoost 算法可以有效利用硬件資源。這是通過緩存感知（cache awareness）實(shí)現(xiàn)的，而緩存感知?jiǎng)t是通過在每個(gè)線程中分配內(nèi)部緩沖區(qū)來存儲(chǔ)梯度統(tǒng)計(jì)信息實(shí)現(xiàn)的。「核外」計(jì)算等進(jìn)一步增強(qiáng)措施則在處理與內(nèi)存不兼容的大數(shù)據(jù)幀時(shí)優(yōu)化了可用磁盤空間。
算法增強(qiáng)：
正則化：用 LASSO（L1）正則化和 Ridge（L2）正則化懲罰更復(fù)雜的模型，以防止過擬合。
稀疏性感知（Sparsity Awareness）：XGBoost 根據(jù)訓(xùn)練損失自動(dòng)「學(xué)習(xí)」最佳缺失值，從而承認(rèn)輸入的稀疏特征，還可以更高效地處理數(shù)據(jù)中不同類型的稀疏模式。
加權(quán)分位數(shù)略圖（Weighted Quantile Sketch）：XGBoost 用分布式加權(quán)分位數(shù)略圖算法（https://arxiv.org/pdf/1603.02754.pdf）高效地從加權(quán)數(shù)據(jù)集中找到最佳分裂點(diǎn)。
交叉驗(yàn)證：該算法在每次迭代時(shí)都使用內(nèi)置的交叉驗(yàn)證方法，這樣就無需特地為搜索編程，也不需要每次運(yùn)行時(shí)都指定所需迭代增強(qiáng)的確切數(shù)目。
證據(jù)在哪里？
我們用 Scikit-learn 中的「Make_Classification」（https://scikit-learn.org/stable/modules/generated/sklearn.datasets.make_classification.html）數(shù)據(jù)包創(chuàng)建包含 100 萬個(gè)數(shù)據(jù)點(diǎn)的隨機(jī)樣本，其中包含 20 個(gè)特征（2 個(gè)是信息性的，2 個(gè)是冗余的）。我們測(cè)試了幾種算法，比如 Logistic 回歸、隨機(jī)森林、標(biāo)準(zhǔn)梯度提升，以及 XGBoost。
使用 SKLearn 中 Make_Classification 數(shù)據(jù)集的 XGBoost 算法和其他 ML 算法。
如上圖所示，和其他算法相比，結(jié)合預(yù)測(cè)性能和處理時(shí)間兩項(xiàng)來看，XGBoost 是最好的。其他嚴(yán)格的基準(zhǔn)研究（https://github.com/szilard/benchm-ml）也得到了類似的結(jié)果。這也難怪 XGBoost 廣泛應(yīng)用于近期的數(shù)據(jù)科學(xué)競(jìng)賽了。
「如有疑問，用 XGBoost 就好」——Owe Zhang，Kaggle Avito 上下文廣告點(diǎn)擊大賽冠軍。
那么我們應(yīng)該一直用 XGBoost 嗎？
無論是機(jī)器學(xué)習(xí)還是生活，沒有免費(fèi)的午餐都是一條鐵律。作為數(shù)據(jù)科學(xué)家，我們必須要測(cè)試所有能處理手頭數(shù)據(jù)的算法，才能判斷哪種算法是最好的。此外，只是選擇正確的算法還不夠。我們必須針對(duì)要處理的數(shù)據(jù)集調(diào)整超參數(shù)，從而選擇合適的配置。此外，要選擇合適的算法還要考慮其他因素，比如計(jì)算復(fù)雜度、可解釋性以及易于實(shí)現(xiàn)性。這是機(jī)器學(xué)習(xí)從科學(xué)走向藝術(shù)的開始，但說實(shí)話，這也正是見證奇跡的時(shí)刻！