问题描述
我目前正在使用XgBoost开发一个回归模型。因为xgBoost有多个超参数，所以我用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代码如下所示。
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似乎没有选择最佳的超参数。在我的例子中，当我将max_depth设置为[2,3]时，结果如下所示。在以下情况下，GridSearchCV选择max_depth:2作为最佳超级参数。
# 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](通过删除2)，测试分数将比以前的值更好，如下所示。
# 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，当我将max_depth设置为[2,3]时，为什么我的代码无法选择最佳的超参数？
推荐答案
如果您使用max_depth:2运行第二次实验，则即使使用max_depth:2运行，结果也无法与使用max_depth:[2,3]进行的第一次实验相比，因为您的代码中存在未显式控制的随机性来源，即您的代码不能重现。
第一个随机性来源是CV折叠；为了确保实验将在相同的数据拆分上运行，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)
第二个随机性来源是XGBRegressor本身，它还包含random_state参数(请参阅docs)；您应该将其更改为：
seed_xgb = 456 # any random value here (can even be the same with seed_cv)
xgb_reg = xgb.XGBRegressor(random_state=seed_xgb)
max_depth:[2,3]，然后使用max_depth:2，结果将确实相同；但是，如果您先将其更改为max_depth:[2,3]，然后更改为max_depth:3，则不会，因为在第一个实验中，max_depth:3的运行将以随机数生成器的不同状态开始(即，max_depth:2运行后的状态已经结束)。
在这种情况下进行不同运行的相同程度是有限制的；有关非常细微的差异的示例，但它会破坏两个实验之间的精确重复性，请参阅Why does the importance parameter influence performance of Random Forest in R?
中的我的答案