心累，感觉不可能教会妈妈建模和调优了

大家还记得上一篇《如何教妈妈学会数据准备》吗？这一期我们将试图教会妈妈级小白选手建立模型并进行调优。

在准备完毕的数据上，我们再添上「seed1」这一列，如下图所示。「seed1」列中的数值1表示该id是我们已知的目标用户，0表示不是我们的目标用户。

（注意：在这里我们略为粗暴地将未知特质用户全部打上了0标签，这是出于建模需要，希望读者能够与真实情景进行区分）。

图：聚合数据的前5行示意

之后我们将用 XGBoost 开展建模。 XGBoost 被视为机器学习的一大利器，如果你还不了解它，就去看它的官方文档吧。这是关于 XGBoost 最好的介绍文档，简洁明了，图文并茂：https://xgboost.readthedocs.io/en/latest/index.html

我们需要对上述聚合数据进行切分，一份作为训练集，另一份作为测试集。

之所以要这样做，是为了防止过拟合。所谓的过拟合，即下面的左图。在过拟合时，训练所得的模型与样本数据几乎可以完全贴合。这样，模型就成为这一份样本数据的「量身定制」了，它只适用于这一份数据，泛化能力很差。

因此，为了防止出现左图的情形，我们从样本数据中抽出一部分（而不是全部）来做训练，得到模型后，再用另一部分数据来评估模型好坏。如果在训练集上得到的模型能够很好地对测试集进行预测，那么这就是一个令人满意的模型。

我们可以用以下语句实现数据集的拆分。

图：拆分为训练集与测试集

这个步骤听起来令人害怕，实际上只有一行。

训练的核心语句是

1xgb.train(param, dtrain, num_round, evallist)

括号中是我们填入的参数，分别是xgboost的超级参数、数据集、训练次数、评估结果。在赋值过程我们把设定赋予参数，然后运行训练语句即可。

1）超级参数。在实际运行的代码中，我们没有特意设置超级参数，而是选择了默认值（param = {}）。读者可以参考官方文档进行超级参数的设定。

图：部分超级参数

2）数据集。之前我们已经切分好了数据集，但还不够。在这一步我们要把数据准备为 xgboost 可识别的 DMatrix 格式。

3）训练次数。

4）评估结果。用一些评估方法（如均方误差根rmse、auc等）对模型在训练集和测试集上的表现进行评价。

从上图可以看出，随着训练次数的增多，均方误差根rmse在下降，说明模型的表现在变好。

如果你对模型现在的效果足够满意，就可以用当前的模型进行预测了。这意味着我们的任务已经接近尾声！

图：用训练完成的模型进行预测

XGBClassifier是xgboost的sklearn包，同样的，方法二中的核心代码也只有一句：

1XGBClassifier().fit(X_train, y_train)

在这里我们直接使用了默认设定，读者也可按照官方文档说明自行设定，参数跟方法一中大体一致，具体见下（感到眼花缭乱的现在可以跳过不看）：

class xgboost.XGBClassifier(max_depth=3, learning_rate=0.1, n_estimators=100, silent=True, objective='binary:logistic', booster='gbtree', n_jobs=1, nthread=None, gamma=0, min_child_weight=1, max_delta_step=0, subsample=1, colsample_bytree=1, colsample_bylevel=1, reg_alpha=0, reg_lambda=1, scale_pos_weight=1, base_score=0.5, random_state=0, seed=None, missing=None, **kwargs)

中文版参数详解：
https://blog.csdn.net/qq_36603091/article/details/80592157

图：训练模型

下图中的 bst 就是我们训练所得的模型，拿来预测就可以了。

虽然看起来已经完成了任务，但其实模型还有优化的空间，可以按照下文中的步骤调参。

好了！最后具体的调优就交给读者们自己完成。以上就是lookalike 任务的全部内容，下一期我们再见！

本文转自：TalkingData数据学堂

封面图来源于网络，如有侵权，请联系删除