贝叶斯优化xgboost 精调参数_xgboost 贝叶斯调参

贝叶斯优化（Bayesian Optimization）可以用来调整机器学习模型的超参数，使其在给定的问题上表现更好。XGBoost是一个梯度提升树模型，其性能很大程度上取决于超参数的选择。使用贝叶斯优化可以帮助寻找最优的超参数组合，以提高XGBoost模型的性能。

下面是一个使用贝叶斯优化调整XGBoost超参数的示例：

首先，确保安装了必要的库，包括xgboost, scikit-learn, hyperopt 和 numpy。您可以使用以下命令来安装它们：

pip install xgboost scikit-learn hyperopt numpy

import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from xgboost import XGBClassifier
from hyperopt import hp, tpe, fmin, Trials
 
# 准备虚拟数据集
X, y = make_classification(n_samples=1000, n_features=20, n_classes=2, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
 
# 定义超参数搜索空间
space = {
    'max_depth': hp.quniform('max_depth', 3, 10, 1),
    'learning_rate': hp.loguniform('learning_rate', np.log(0.01), np.log(0.5)),
    'n_estimators': hp.choice('n_estimators', [100, 200, 300, 400, 500]),
    'gamma': hp.uniform('gamma', 0.0, 0.5),
    'subsample': hp.uniform('subsample', 0.5, 1.0),
    'colsample_bytree': hp.uniform('colsample_bytree', 0.5, 1.0),
}
 
# 定义优化目标函数（交叉验证）
def objective(params):
    model = XGBClassifier(**params)
    score = cross_val_score(model, X_train, y_train, cv=5, scoring='accuracy').mean()
    return -score  # 负的准确率，因为贝叶斯优化寻找最小值，我们想要最大化准确率
 
# 运行贝叶斯优化
trials = Trials()
best = fmin(fn=objective,
            space=space,
            algo=tpe.suggest,
            max_evals=50,  # 迭代次数
            trials=trials)
 
print("最优超参数：", best)