一、XBGoost调参

步骤：

1、设定一个稍大的学习率（0.1），利用xgboost里的cv方法去确定一个合适的迭代次数（也就是树的个数）

2、根据参数的重要性，分别对参数进行调参，利用GridSearchCV，先进行大范围粗调再小范围精调，参数重要性排序：

• max_depth和min_child_weight
• gamma
• subsample和colsample_bytree
• reg_alpha和reg_lambda

3、调小learning_rate(0.01），利用cv找到合适的迭代次数。

github代码地址：

https://github.com/xiayto/Mechine_learning/blob/master/xgboost%E8%B0%83%E5%8F%82.py

二、SVR调参

对于 SVR、LinearSVR、NuSVR的选择：

1、当我们对数据有先验知识，数据是线性可分时候用SVR
2、当线性不可分用SVR，一般选择RBF高斯核函数，要调参
3、当我对用于支持的向量的百分比有要求时候用NuSVR

参数介绍：

• C：默认是1，控制松弛因子，噪声比较多的时候C设置小一点，分解平面不需要严格将样本区分。
• epsilon：允许的距离误差，默认是0.1
• kernel：默认是rbf高斯核，常用的含有poly多项式核函和sigmoid核函数
• degree：poly扩展才有的参数，K(x,z) = (γx∗z+r)d ( γ x ∗ z + r ) d 中的d
• gamma：所有的多项式扩展都需要调节的参数，一般用交叉验证确定 γ γ
• coef0：poly和sigmoid中需要调节的参数，默认是0
• cache_size：缓存大小，默认200MB，如果内存足够，推荐使用500MB甚至1000MB

SVR调参过程：

1、确定松弛因子C
2、确定gamma
3、确定epsilon

三、RandomForest调参

参数介绍：

clf = RandomForestRegressor(
            n_estimators=2,             # 学习器个数
            criterion='mse',             # 评价函数
            max_depth=None,              # 最大的树深度，防止过拟合
            min_samples_split=2,         # 根据属性划分节点时，每个划分最少的样本数
            min_samples_leaf=1,          # 最小叶子节点的样本数，防止过拟合
            max_features='auto',         # auto是sqrt(features)还有 log2 和 None可选
            max_leaf_nodes=None,         # 叶子树的最大样本数
            bootstrap=True,              # 有放回的采样
            min_weight_fraction_leaf=0,
            n_jobs=5)                   # 同时用多少个进程训练

调参过程

1、先对重要的参数调整，再对相对不重要的参数调整
2、有相互联系的一起调，没有的可以分开调提高效率
3、先大范围粗调，再小范围精调
4、用贪心的方式，下一次调调用上一次的最优结果

重要性排序：
1、决策树个数
2、max_depth 和 min_samples_split 和 min_samples_leaf
3、max_features

调参代码：
https://github.com/xiayto/tianchi_competition/blob/master/RandomForest%E8%B0%83%E5%8F%82.py