python - GridSearchCV 没有为 xgboost 选择最佳超参数

Question

我目前正在使用 xgboost 开发回归模型。由于 xgboost 有多个超参数，我用 GridSearchCV() 添加了交叉验证逻辑。作为试验，我设置了 max_depth: [2,3]。我的 python 代码如下。

from sklearn.model_selection import GridSearchCV
from sklearn.metrics import make_scorer
from sklearn.metrics import mean_squared_error
​
xgb_reg = xgb.XGBRegressor()
​
# Obtain the best hyper parameter
scorer=make_scorer(mean_squared_error, False)
params = {'max_depth': [2,3], 
          'eta': [0.1], 
          'colsample_bytree': [1.0],
          'colsample_bylevel': [0.3],
          'subsample': [0.9],
          'gamma': [0],
          'lambda': [1],
          'alpha':[0],
          'min_child_weight':[1]
         }
grid_xgb_reg=GridSearchCV(xgb_reg,
                          param_grid=params,
                          scoring=scorer,
                          cv=5,
                          n_jobs=-1)
​
grid_xgb_reg.fit(X_train, y_train)
y_pred = grid_xgb_reg.predict(X_test)
y_train_pred = grid_xgb_reg.predict(X_train)

## Evaluate model
from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score
​
print('RMSE  train: %.3f,  test: %.3f' %(np.sqrt(mean_squared_error(y_train, y_train_pred)),np.sqrt(mean_squared_error(y_test, y_pred))))
print('R^2   train: %.3f,  test: %.3f' %(r2_score(y_train, y_train_pred),r2_score(y_test, y_pred)))

问题是 GridSearchCV 似乎没有选择最佳超参数。在我的例子中，当我将max_depth设置为[2,3]时，结果如下。在以下情况下，GridSearchCV 选择 max_depth:2 作为最佳超参数。

#  The result when max_depth is 2
RMSE  train: 11.861,  test: 15.113
R^2   train: 0.817,  test: 0.601

但是，如果我将 max_depth 更新为 [3](通过去掉 2)，测试成绩会比之前的好值如下。

#  The result when max_depth is 3
RMSE  train: 9.951,  test: 14.752
R^2   train: 0.871,  test: 0.620

问题

我的理解是，即使我将 max_depth 设置为 [2,3]，GridSearchCV 方法也应该选择 max_depth :3 作为最佳超参数，因为 max_depth:3 可以返回比 max_depth:2 更好的 RSME 或 R^2 分数。谁能告诉我为什么当我将 max_depth 设置为 [2,3] 时我的代码无法选择最佳超参数？

Answer 1

如果您使用 max_depth:2 运行第二个实验，那么结果无法与使用 max_depth:[2,3] 的第一个实验相比较，即使对于运行使用 max_depth:2，因为您的代码中存在您未明确控制的随机源，即您的代码不可重现。

随机性的第一个来源是 CV 折叠；为了确保实验将在相同的数据分割上运行，您应该按如下方式定义 GridSearchCV:

from sklearn.model_selection import KFold

seed_cv = 123 # any random value here

kf = KFold(n_splits=5, random_state=seed_cv)

grid_xgb_reg=GridSearchCV(xgb_reg,
                          param_grid=params,
                          scoring=scorer,
                          cv=kf,   # <- change here
                          n_jobs=-1)

随机性的第二个来源是 XGBRegressor 本身，它还包括一个 random_state 参数(参见 docs )；你应该把它改成:

seed_xgb = 456 # any random value here (can even be the same with seed_cv)
xgb_reg = xgb.XGBRegressor(random_state=seed_xgb)

但即使有了这些安排，虽然您的数据拆分现在将是相同的，但在一般情况下构建的回归模型不一定如此；在这里，如果你保持这样的实验，即首先使用 max_depth:[2,3] 然后使用 max_depth:2，结果确实是相同的；但是如果你把它改成，比如说，首先用 max_depth:[2,3] 然后用 max_depth:3，它们将不，因为在第一个实验中，使用 max_depth:3 的运行将以随机数生成器的不同状态开始(即，使用 max_depth:2 运行完成后的状态).

在这样的条件下，不同运行的相同程度是有限的；对于一个非常细微的差异的例子，它仍然破坏了两个实验之间的精确再现性，请参阅我在 Why does the importance parameter influence performance of Random Forest in R? 中的回答