什么是 XGBoost？如何直觀理解 XGBoost？它為什么這么優(yōu)秀？
我對十五年前第一天工作的情況還記憶猶新。彼時我剛畢業(yè)，在一家全球投資銀行做分析師。我打著領帶，試圖記住學到的每一件事。與此同時，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：
「別擔心，你只需要了解回歸模型就可以了。」
我當初想的是「我知道這個！」。我知道回歸模型——線性回歸和 logistic 回歸都知道。老板是對的。我在任職期間僅僅構(gòu)建了基于回歸的統(tǒng)計模型。我并不是一個人。事實上，當時的回歸模型在預測分析中獨占鰲頭。而十五年后的今天，回歸模型的時代已經(jīng)結(jié)束了。遲暮的女王已經(jīng)退場，取而代之的是名字時髦、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器學習算法，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）的預測問題中，人工神經(jīng)網(wǎng)絡的表現(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，現(xiàn)在普遍認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的一個研究項目。陳天奇和 Carlos Guestrin 在 SIGKDD 2016 大會上發(fā)表的論文《XGBoost: A Scalable Tree Boosting System》在整個機器學習領域引起轟動。自發(fā)表以來，該算法不僅多次贏得 Kaggle 競賽，還應用在多個前沿工業(yè)應用中，并推動其發(fā)展。許多數(shù)據(jù)科學家合作參與了 XGBoost 開源項目，GitHub 上的這一項目（https://github.com/dmlc/xgboost/）約有 350 個貢獻者，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：
應用范圍廣泛：該算法可以解決回歸、分類、排序以及用戶自定義的預測問題；
可移植性：該算法可以在 Windows、Linux 和 OS X 上流暢地運行；
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 XGBoost 的直觀理解
決策樹是易于可視化、可解釋性相對較強的算法，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，我對其做了簡單的類比：
假設你是面試官，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景。
決策樹：每一名面試官都有一套自己的面試標準，比如教育水平、工作經(jīng)驗以及面試表現(xiàn)等。決策樹類似于面試官根據(jù)他（她）自己的標準面試求職者。
袋裝法（Bagging）：現(xiàn)在面試官不只有一個人，而是一整個面試小組，小組中的每位面試官都有投票權。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。
隨機森林（Random Forest）：這是基于 Bagging 的算法，但與 Bagging 有明顯區(qū)別——它隨機選擇特征子集。也就是，每位面試官只會隨機選擇一些側(cè)面來對求職者進行面試（比如測試編程技能的技術面或者是評估非技術技能的行為面試）。
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)整評估標準。通過部署更動態(tài)的評估流程來「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)化技術的完美結(jié)合，它可以在最短時間內(nèi)用更少的計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（Gradient Boosting Machine，GBM）都是用梯度下降架構(gòu)增強弱學習器（一般是 CART）的集成樹方法。但 XGBoost 通過系統(tǒng)優(yōu)化和算法增強改進了基礎 GBM 框架。
XGBoost 是如何優(yōu)化標準 GBM 算法的
系統(tǒng)優(yōu)化
并行：XGBoost 用并行的方式實現(xiàn)了序列樹的構(gòu)建過程?？紤]到用于構(gòu)建基礎學習器的循環(huán)、枚舉樹的葉節(jié)點的外部循環(huán)以及計算特征的第二個內(nèi)部循環(huán)的可互換性，這是完全有可能實現(xiàn)的。由于沒有完整的內(nèi)部循環(huán)就無法啟動外部循環(huán)（兩個循環(huán)要求的計算資源更多），因此這種嵌套的循環(huán)限制了并行。為了改善運行時，就要交換循環(huán)的順序，這通過對所有實例進行全局掃描來執(zhí)行初始化以及用并行線程排序來實現(xiàn)。這樣的變換抵消了計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)樹分裂的停止標準是貪婪的，這取決于分裂點的負損失。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）實現(xiàn)的，而緩存感知則是通過在每個線程中分配內(nèi)部緩沖區(qū)來存儲梯度統(tǒng)計信息實現(xiàn)的?！负送狻褂嬎愕冗M一步增強措施則在處理與內(nèi)存不兼容的大數(shù)據(jù)幀時優(yōu)化了可用磁盤空間。
算法增強：
正則化：用 LASSO（L1）正則化和 Ridge（L2）正則化懲罰更復雜的模型，以防止過擬合。
稀疏性感知（Sparsity Awareness）：XGBoost 根據(jù)訓練損失自動「學習」最佳缺失值，從而承認輸入的稀疏特征，還可以更高效地處理數(shù)據(jù)中不同類型的稀疏模式。
加權分位數(shù)略圖（Weighted Quantile Sketch）：XGBoost 用分布式加權分位數(shù)略圖算法（https://arxiv.org/pdf/1603.02754.pdf）高效地從加權數(shù)據(jù)集中找到最佳分裂點。
交叉驗證：該算法在每次迭代時都使用內(nèi)置的交叉驗證方法，這樣就無需特地為搜索編程，也不需要每次運行時都指定所需迭代增強的確切數(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 萬個數(shù)據(jù)點的隨機樣本，其中包含 20 個特征（2 個是信息性的，2 個是冗余的）。我們測試了幾種算法，比如 Logistic 回歸、隨機森林、標準梯度提升，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)合預測性能和處理時間兩項來看，XGBoost 是最好的。其他嚴格的基準研究（https://github.com/szilard/benchm-ml）也得到了類似的結(jié)果。這也難怪 XGBoost 廣泛應用于近期的數(shù)據(jù)科學競賽了。
「如有疑問，用 XGBoost 就好」——Owe Zhang，Kaggle Avito 上下文廣告點擊大賽冠軍。
那么我們應該一直用 XGBoost 嗎？
無論是機器學習還是生活，沒有免費的午餐都是一條鐵律。作為數(shù)據(jù)科學家，我們必須要測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，比如計算復雜度、可解釋性以及易于實現(xiàn)性。這是機器學習從科學走向藝術的開始，但說實話，這也正是見證奇跡的時刻！