xgboost实战练习

绝地灬酷狼 2023-07-06 13:23 31阅读 0赞

#### 1.安装xgboost后导入 ####

import xgboost

#### 2. 训练并使用模型进行预测 ####

# First XGBoost model for Pima Indians dataset
    from numpy import loadtxt
    from xgboost import XGBClassifier
    from sklearn.model_selection import train_test_split
    from sklearn.metrics import accuracy_score
    # load data
    dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")
    # split data into X and y
    X = dataset[:,0:8]
    Y = dataset[:,8]
    # split data into train and test sets
    seed = 7
    test_size = 0.33
    X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
    # fit model no training data
    model = XGBClassifier()
    model.fit(X_train, y_train)
    # make predictions for test data
    y_pred = model.predict(X_test)
    predictions = [round(value) for value in y_pred]
    # evaluate predictions
    accuracy = accuracy_score(y_test, predictions)
    print("Accuracy: %.2f%%" % (accuracy * 100.0))

运行结果：  
![在这里插入图片描述][20200219132742256.png]

#### 3.xgboost.fit()函数讲解 ####

fit(X, y, sample_weight=None, eval_set=None, eval_metric=None, early_stopping_rounds=None, verbose=True, xgb_model=None, sample_weight_eval_set=None, callbacks=None)

*  X:就是我们的特征矩阵，就是x\_train，这里一般是用交叉验证
 *  y:就是我们的标签，就是y\_train，这里一般是用交叉验证
 *  sample\_weight:每个实例的权重,不常用
 *  eval\_set用来作为早期停止的验证集，一般我们放x\_test和y\_test
 *  sample\_weight\_eval\_set:验证集上的实例权重列表,不常用
 *  eval\_metric:不是很了解，感觉用的不多
 *  early\_stopping\_rounds:我们设置一个常数n，直到模型n次得分基本不变就停止
 *  verbose:如果为真，并且使用了一个验证集，则写下验证过程
 *  xgb\_model:存储的xgb模型或“boost”实例xgb模型的文件名将在训练前加载
 *  callbacks:不常用，不知道

#### 4. xgboost训练 ####

from numpy import loadtxt
    from xgboost import XGBClassifier
    from sklearn.model_selection import train_test_split
    from sklearn.metrics import accuracy_score
    # load data
    dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")
    # split data into X and y
    X = dataset[:,0:8]
    Y = dataset[:,8]
    # split data into train and test sets
    seed = 7
    test_size = 0.33
    X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
    # fit model no training data
    model = XGBClassifier()
    eval_set = [(X_test, y_test)]
    ### fit model for train data
    # fit函数参数：eval_set=[(x_test,y_test)] 评估数据集,list类型
    # fit函数参数：eval_metric="mlogloss" 评估标准(多分类问题，使用mlogloss作为损失函数)
    # fit函数参数：early_stopping_rounds= 10 如果模型的loss十次内没有减小，则提前结束模型训练
    # fit函数参数：verbose = True True显示，False不显示
    model.fit(X_train, y_train, early_stopping_rounds=10, eval_metric="logloss", eval_set=eval_set, verbose=True)
    # make predictions for test data
    y_pred = model.predict(X_test)
    predictions = [round(value) for value in y_pred]
    # evaluate predictions
    accuracy = accuracy_score(y_test, predictions)
    print("Accuracy: %.2f%%" % (accuracy * 100.0))

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70]

#### 5.每个特征的重要程度 ####

from numpy import loadtxt
    from xgboost import XGBClassifier
    from xgboost import plot_importance
    from matplotlib import pyplot
    # load data
    dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")
    # split data into X and y
    X = dataset[:,0:8]
    y = dataset[:,8]
    # fit model no training data
    model = XGBClassifier()
    model.fit(X, y)
    # plot feature importance
    plot_importance(model)
    pyplot.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 1]

#### 6.参数调节 ####

# Tune learning_rate
    from numpy import loadtxt
    from xgboost import XGBClassifier
    # 遍历学习率
    from sklearn.model_selection import GridSearchCV
    from sklearn.model_selection import StratifiedKFold
    # load data
    dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")
    # split data into X and y
    X = dataset[:,0:8]
    Y = dataset[:,8]
    # grid search
    model = XGBClassifier()
    learning_rate = [0.0001, 0.001, 0.01, 0.1, 0.2, 0.3]
    
    # GridSearchCV要求的格式
    param_grid = dict(learning_rate=learning_rate)
    # 交叉验证
    kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=7)
    grid_search = GridSearchCV(model, param_grid, scoring="neg_log_loss", n_jobs=-1, cv=kfold)
    grid_result = grid_search.fit(X, Y)
    # summarize results
    print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))
    means = grid_result.cv_results_['mean_test_score']
    params = grid_result.cv_results_['params']
    for mean, param in zip(means, params):
        print("%f with: %r" % (mean, param))

![在这里插入图片描述][20200221170327106.png]

#### 7.参数学习 ####

###### 常规参数 ######

booster
        gbtree 树模型做为基分类器（默认）
        gbliner 线性模型做为基分类器
    silent
        silent=0时，不输出中间过程（默认）
        silent=1时，输出中间过程
    nthread
        nthread=-1时，使用全部CPU进行并行运算（默认）
        nthread=1时，使用1个CPU进行运算。
    scale_pos_weight
        正样本的权重，在二分类任务中，当正负样本比例失衡时，设置正样本的权重，模型效果更好。例如，当正负样本比例为1:10时，scale_pos_weight=10。

###### 模型参数 ######

n_estimatores
        含义：总共迭代的次数，即决策树的个数
        调参：
    early_stopping_rounds
        含义：在验证集上，当连续n次迭代，分数没有提高后，提前终止训练。
        调参：防止overfitting。
    max_depth
        含义：树的深度，默认值为6，典型值3-10。
        调参：值越大，越容易过拟合；值越小，越容易欠拟合。
    min_child_weight
        含义：默认值为1,。
        调参：值越大，越容易欠拟合；值越小，越容易过拟合（值较大时，避免模型学习到局部的特殊样本）。
    subsample
        含义：训练每棵树时，使用的数据占全部训练集的比例。默认值为1，典型值为0.5-1。
        调参：防止overfitting。
    colsample_bytree
        含义：训练每棵树时，使用的特征占全部特征的比例。默认值为1，典型值为0.5-1。
        调参：防止overfitting。

###### 学习任务参数 ######

learning_rate
        含义：学习率，控制每次迭代更新权重时的步长，默认0.3。
        调参：值越小，训练越慢。
        典型值为0.01-0.2。
    objective 目标函数
        回归任务
            reg:linear (默认)
            reg:logistic 
        二分类
            binary:logistic     概率 
            binary：logitraw   类别
        多分类
            multi：softmax  num_class=n   返回类别
            multi：softprob   num_class=n  返回概率
        rank:pairwise 
    eval_metric
        回归任务(默认rmse)
            rmse--均方根误差
            mae--平均绝对误差
        分类任务(默认error)
            auc--roc曲线下面积
            error--错误率（二分类）
            merror--错误率（多分类）
            logloss--负对数似然函数（二分类）
            mlogloss--负对数似然函数（多分类）
    
    gamma
        惩罚项系数，指定节点分裂所需的最小损失函数下降值。
        调参：
    alpha
        L1正则化系数，默认为1
    lambda
        L2正则化系数，默认为1

例如

xgb1 = XGBClassifier(
     learning_rate =0.1,
     n_estimators=1000,
     max_depth=5,
     min_child_weight=1,
     gamma=0,
     subsample=0.8,
     colsample_bytree=0.8,
     objective= 'binary:logistic',
     nthread=4,
     scale_pos_weight=1,
     seed=27)

[20200219132742256.png]: https://img-blog.csdnimg.cn/20200219132742256.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20200219135001845.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20200221164412403.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MjI2MDEwMg==,size_16,color_FFFFFF,t_70
[20200221170327106.png]: https://img-blog.csdnimg.cn/20200221170327106.png