小巧玲珑：机器学习届快刀XGBoost的介绍和使用

欢迎大家前往腾讯云技术社区，获取更多腾讯海量技术实践干货哦~

作者：张萌

序言

XGBoost效率很高，在Kaggle等诸多比赛中使用广泛，并且取得了不少好成绩。为了让公司的算法工程师，可以更加方便的使用XGBoost，我们将XGBoost更好地与公司已有的存储资源和计算平台进行集成，将数据预处理、模型训练、模型预测、模型评估及可视化、模型收藏及分享等功能，在Tesla平台中形成闭环，同时，数据的流转实现了与TDW完全打通，让整个机器学习的流程一体化。

XGBoost介绍

XGBoost的全称为eXtreme Gradient Boosting，是GBDT的一种高效实现，XGBoost中的基学习器除了可以是CART（gbtree）也可以是线性分类器（gblinear）。

什么是GBDT？

GBDT(Gradient Boosting Decision Tree) 又叫 MART（Multiple Additive Regression Tree)，是一种迭代的决策树算法，该算法由多棵决策树组成，所有树的结论累加起来做最终答案。它在被提出之初就和SVM一起被认为是泛化能力（generalization)较强的算法。GBDT的核心在于，每一棵树学的是之前所有树结论和的残差，这个残差就是一个加预测值后能得真实值的累加量。与随机森林不同，随机森林采用多数投票输出结果；而GBDT则是将所有结果累加起来，或者加权累加起来。

XGBoost对GBDT的改进

1 . 避免过拟合

目标函数之外加上了正则化项整体求最优解，用以权衡目标函数的下降和模型的复杂程度，避免过拟合。基学习为CART时，正则化项与树的叶子节点的数量T和叶子节点的值有关。

2 . 二阶的泰勒展开，精度更高

不同于传统的GBDT只利用了一阶的导数信息的方式，XGBoost对损失函数做了二阶的泰勒展开，精度更高。

第t次的损失函数：

对上式做二阶泰勒展开( g为一阶导数，h为二阶导数)：

3 . 树节点分裂优化

选择候选分割点针对GBDT进行了多个优化。正常的树节点分裂时公式如下：

XGBoost树节点分裂时，虽然也是通过计算分裂后的某种值减去分裂前的某种值，从而得到增益。但是相比GBDT，它做了如下改进：

通过添加阈值gamma进行了剪枝来限制树的生成
通过添加系数lambda对叶子节点的值做了平滑，防止过拟合。
在寻找最佳分割点时，考虑传统的枚举每个特征的所有可能分割点的贪心法效率太低，XGBoost实现了一种近似的算法，即：根据百分位法列举几个可能成为分割点的候选者，然后从候选者中根据上面求分割点的公式计算找出最佳的分割点。
特征列排序后以块的形式存储在内存中，在迭代中可以重复使用；虽然boosting算法迭代必须串行，但是在处理每个特征列时可以做到并行。

整体上，通过上述的3个优化，加上其易用性，不太需要编程，XGBoost目前是GBDT体系中最受欢迎的工具。但是值得留意的是，当数据量很大，尤其是维度很高的情况下，XGBoost的性能会下降较快，这时推进大家可以试试腾讯自己的Angel，其GBDT比XGBoost性能更好噢

TDW体系中的XGBoost介绍

XGBoost在TDW体系中以两种形式存在

提供出了拖拽式的组件，来简化用户使用成本
提供出了maven依赖，来让用户享受Spark Pipeline的流畅

1. Tesla平台上的3个组件：

XGBoost-spark-ppc组件（基于社区版0.7，以Spark作业形式运行在PowerPC机型的集群上）
XGBoost-spark-x86组件（基于社区版0.7，以Spark作业形式运行在x86机型的集群上）
XGBoost-yarn组件（基于社区版0.4，以Yarn作业形式运行在x86机型的集群上）

目前来看，XGBoost的ppc版本，性能比x86的好，建议大家优先选择。

2. 公司Maven库中的3个依赖：

XGBoost4j-ppc（封装社区版0.7的API，在PowerPC机型上进行的编译）
XGBoost4j-x86（封装社区版0.7的API，在x86机型上进行的编译）
XGBoost4j-toolkit（封装HDFS IO、TDW IO、Model IO等功能)

Tesla中的XGBoost-on-spark组件介绍

Tesla中XGBoost-on-spark组件根据集群的机型区分成：XGBoost-spark-ppc组件和XGBoost-spark-x86组件。将以前的XGBoost-yarn组件进行了升级，体现在了：

数据源之间的打通、作业调试更友好、IO方式更丰富、数据处理的上下游延伸更广、model支持在线服务等方面。

数据源之间的打通
- 消除了不同HDFS集群上的权限问题
- 与TDW打通，数据流转更顺畅，开发成本更低
  - 用户可以不再编写程序生成LibSVM格式的数据文件，而是通过Hive或者Spark SQL生成TDW特征表，通过选择TDW特征表的某些列(selected_cols=1-2,4,8-10)，由XGBoost-on-spark组件后台生成libsvm类型的输入
  - 可以针对TDW分区表，借助Tesla作业定时调度机制，可以进行XGBoost作业的例行化调度运行
作业调试更友好
- 以Spark作业的形式，而非直接的Yarn作业的形式运行，用户对作业的运行情况更清楚
  - 可以查看作业的进度
  - 可以查看各节点上的日志信息
IO方式更丰富
- 输入的数据集来源，可以为之前的HDFS上LibSVM格式的文件形式。也可以为一张TDW表，用户通过选择TDW表中的某些列，由XGBoost-on-spark组件在后台生成LibSVM格式的输入。
- 训练阶段增加了特征重要度(weight、gain、cover)的输出、以及3种类型model的输出：文本格式（用户可以直接查看）、LocalFile的二进制格式（用户可以下载到本地，利用python加载后在线预测）、HadoopFile的二进制格式（用户可以在Tesla环境中，利用Spark加载后离线批量预测）
- 模型输出的3种格式举例

4 . 数据处理的上下游延伸更广

与Tesla平台深度整合

可以拖拽Tesla的组件：数据切分、模型评估，实现数据处理的上下游功能
可以利用Tesla的功能：参数替换、并发设置，进行批量调参

5 . model支持在线服务

可以利用Tesla的模型服务，进行模型导出、模型部署、在线预测

总结

XGBoost是机器学习的利器，虽然小巧，但是功能强大，以其被实战检验过的高效，吸引了很多使用者。我们针对用户痛点进行了诸多改进，实现了用户在Tesla平台中更加方便的使用，大大减少了用户的开发成本，同时，我们也开放出了XGBoost API，让逻辑复杂的业务可以在自身系统中嵌入xgBoost，更加直接的对接TDW系统。后续有进一步的需求，欢迎联系Tesla团队，我们将提供更好的机器学习和数据服务。