首页 > 其他分享 > 5.5 集成学习- XGBoost

5.5 集成学习- XGBoost

时间：2023-07-17 17:13:40浏览次数：38  
标签：集成 xgboost 5.5 XGBoost xgb 算法 参数 sklearn

1 XGBoost的基础思想与实现

1.1 XGBoost pk 梯度提升树

极限提升树XGBoost(Extreme Gradient Boosting，XGB，发音/æks-g-boost/)是基于梯度提升树GBDT全面升级的新一代提升算法，也是提升家族中最富盛名、最灵活、最被机器学习竞赛所青睐的算法。不同于我们之前学过的任意单一算法，XGBoost是一个以提升树为核心的算法系统，它覆盖了至少3+建树流程、10+损失函数，可以实现各种类型的梯度提升树，它可以实现梯度提升树，可以实现基于提升树的随机森林，可以实现提升算法的逻辑回归、线性回归，灵活性无与伦比。同时，XGBoost天生被设计成支持巨量数据，因此可以自由接入GPU/分布式/数据库等系统、还创新了众多工程上对传统提升算法进行加速的新方法。可以说，XGBoost是21世纪中Boosting算法的又一个里程碑，它开创了后GBDT时代中Boosting算法的新辉煌。

需要注意的是，学习XGBoost需要大量梯度提升树（GBDT）相关知识，本课程将假设你已经非常熟悉梯度提升树的原理与特点、并且熟悉sklearn中的交叉验证的用法。如果你不熟悉梯度提升树，强烈建议你回顾之前的课程。

作为Boosting算法，XGBoost中自然包含Boosting三要素：

  • 损失函数\(L(y,\hat{y})\) ：用以衡量模型预测结果与真实结果的差异。
  • 弱评估器\(f(x)\) ：（一般为）决策树，不同的boosting算法使用不同的建树过程。
  • 综合集成结果\(H(x)\)：即集成算法具体如何输出集成结果

并且，XGBoost也遵循Boosting算法的基本流程进行建模：

依据上一个弱评估器\(f(x)_{k-1}\)的结果，计算损失函数\(L\)，

并使用\(L\)自适应地影响下一个弱评估器\(f(x)_k\)的构建。
集成模型输出的结果，受到整体所有弱评估器\(f(x)_0\) ~ \(f(x)_K\)的影响。

当然，XGBoost真实的流程比上述过程复杂得多。虽然梯度提升树的流程本身已经比较复杂，XGBoost还是在此流程上做出了众多关键的改进。综合来看，这些改进都是基于XGBoost中两种非常关键的思想实现的：

  • 第一，实现精确性与复杂度之间的平衡

树的集成模型是机器学习中最为强大的学习器之一，这一族学习器的特点是精确性好、适用于各种场景，但运行缓慢、且过拟合风险很高，因此从学习单一决策树时起，我们就持续为大家提供丰富的剪枝策略，目的就是为了降低各种树模型的模型复杂度，从而控制住过拟合。树模型的学习能力与过拟合风险之间的平衡，就是预测精确性与模型复杂度之间的平衡，也是经验风险与结构风险之间的平衡，这一平衡对决策树以及树的集成模型来说是永恒的议题。

在过去，我们总是先建立效果优异的模型，再依赖于手动剪枝来调节树模型的复杂度，但在XGBoost中，精确性与复杂度会在训练的每一步被考虑到。主要体现在：

  • 1. XGBoost为损失函数\(L(y,\hat{y})\)加入结构风险项，构成目标函数\(O(y,\hat{y})\)


    在AdaBoost与GBDT当中，我们的目标是找到损失函数\(L(y,\hat{y})\)的最小值，也就是让预测结果与真实结果差异最小，这一流程只关心精确性、不关心复杂度和过拟合情况。为应对这个问题，XGBoost从决策树的预剪枝流程、逻辑回归、岭回归、Lasso等经典算法的抗过拟合流程吸取经验，在损失函数中加入了控制过拟合的结构风险项，并将【\(L(y,\hat{y})\) + 结构风险】定义为目标函数\(O(y,\hat{y})\)。


    这一变化让XGBoost在许多方面都与其他Boosting算法不同：例如，XGBoost是向着令目标函数最小化的目标进行训练，而不是令损失函数最小化的方向。再比如，XGBoost会优先利用结构风险中的参数来控制过拟合，而不像其他树的集成模型一样依赖于树结构参数（例如max_depth，min_impurity_decrease等）。

  • 2. 使用全新不纯度衡量指标，将复杂度纳入分枝规则


    在之前学过的算法当中，无论Boosting流程如何进化，建立单棵决策树的规则基本都遵循我们曾经学过的CART树流程，在分类树中，我们使用信息增益（information gain）来衡量叶子的质量，在回归树中，我们使用MSE或者弗里德曼MSE来衡量叶子的质量。这一流程有成熟的剪枝机制、预测精度高、能够适应各种场景，但却可能建立复杂度很高的树。


    为实现精确性与复杂度之间的平衡，XGBoost重新设定了分枝指标【结构分数】（原论文中写作Structure Score，也被称为质量分数Quality Score），以及基于结构分数的【结构分数增益】（Gain of structure score），结构分数增益可以逼迫决策树向整体结构更简单的方向生长。


    这一变化让XGBoost使用与传统CART略有区别的建树流程，同时在建树过程中大量使用残差（Residuals）或类残差对象作为中间变量，因此XGBoost的数学过程比其他Boosting算法更复杂。
  • 第二，极大程度地降低模型复杂度、提升模型运行效率，将算法武装成更加适合于大数据的算法

在任意决策树的建树过程中，都需要对每一个特征上所有潜在的分枝节点进行不纯度计算，当数据量巨大时，这一计算将消耗巨量的时间，因此树集成模型的关键缺点之一就是计算缓慢，而这一缺点在实际工业环境当中是相当致命的。为了提升树模型的运算速度、同时又不极大地伤害模型的精确性，XGBoost使用多种优化技巧来实现效率提升：

  • 1. 使用估计贪婪算法、平行学习、分位数草图算法等方法构建了适用于大数据的全新建树流程

  • 2. 使用感知缓存访问技术与核外计算技术，提升算法在硬件上的运算性能

  • 3. 引入Dropout技术，为整体建树流程增加更多随机性、让算法适应更大数据


    不仅在数学方法上有所改进，XGBoost正式拉开了Boosting算法工程优化的序幕。后续更多的Boosting算法，包括LightGBM，CatBoost等也都是在工程方法上做出了大量的优化。遗憾的是，XGBoost的平行学习、估计贪婪算法等知识点将不会被包括在本次课程当中。在讲解LightGBM的时候，我们将详解基于直方图的估计算法，那时我们就能够很容易地理解XGBoost所使用的估计贪婪算法了。

除此之外，XGBoost还保留了部分与梯度提升树类似的属性，包括：

  • 弱评估器的输出类型与集成算法输出类型不一致

对于AdaBoost或随机森林算法来说，当集成算法执行的是回归任务时，弱评估器也是回归器，当集成算法执行分类任务时，弱评估器也是分类器。但对于GBDT以及基于GBDT的复杂Boosting算法们而言，无论集成算法整体在执行回归/分类/排序任务，弱评估器一定是回归器。GBDT通过sigmoid或softmax函数输出具体的分类结果，但实际弱评估器一定是回归器，XGBoost也是如此。

  • 拟合负梯度，且当损失函数是0.5倍MSE时，拟合残差

任意Boosting算法都有自适应调整弱评估器的步骤。在GBDT当中，每次用于建立弱评估器的是样本\(X\)以及当下集成输出\(H(x_i)\)与真实标签\(y\)之间的伪残差（也就是负梯度）。当损失函数是\(\frac{1}{2}MSE\)时，负梯度在数学上等同于残差（Residual），因此GBDT是通过拟合残差来影响后续弱评估器结构。XGBoost也是依赖于拟合残差来影响后续弱评估器结构，但是与GBDT一样，这一点需要通过数学来证明。

  • 抽样思想

GBDT借鉴了大量Bagging算法中的抽样思想，XGBoost也继承了这一属性，因此在XGBoost当中，我们也可以对样本和特征进行抽样来增大弱评估器之间的独立性

因为存在这些相似之处，因此我们将会在XGBoost的参数中看到部分熟悉的参数，如果你对梯度提升树足够熟悉，那XGBoost的许多参数对你来说应该并不难懂。需要注意的是，作为2014年才被正式提出的Boosting算法，XGBoost是一个独立于经典算法的算法系统，因此xgboost库是需要单独安装的。

你可以使用以下代码在cmd中非常简单地安装xgboost，通常来说无需配置环境变量。

#!pip install xgboost #安装xgboost库
#!pip install --upgrade xgboost #更新xgboost库

import xgboost as xgb #导入成功则说明安装正确

xgb.__version__

image
需要注意的是，windows与linux系统下支持单GPU运算，但Mac系统不支持GPU运算。同时，只有Linux系统支持多GPU联合运算，其他系统不支持。如果pip安装失败，则可以删除后参考该页面进行具体安装：https://xgboost.readthedocs.io/en/stable/install.html

2 XGBoost回归的sklearnAPI实现

其实sklearn中有他的一套建模流程的，像fit等，然后这个XGBootst也有它的一套建模流程。
不同于内嵌在sklearn框架中的其他算法，xgboost是独立的算法库，因此它有一套不同于sklearn代码的原生代码。大部分时候我们使用原生代码来运行xgboost，因为这套原生代码是完全为集成学习所设计的，不仅可以无缝使用交叉验证、默认输出指标为RMSE，还能够默认输出训练集上的结果帮我们监控模型。然而对于熟悉sklearn的我们来说，这一套代码略有难度，因此许多人也会倾向于使用xgboost自带的sklearn接口来实现算法。

XGBoost自带sklearn接口（sklearn API），通过这个接口，我们可以使用跟sklearn代码一样的方式来实现xgboost，即可以通过fit和predict等接口来执行训练预测过程，也可以调用属性比如coef_等。在XGBoost的sklearn API中，我们可以看到下面五个类：

类 说明
XGBRegressor() 实现xgboost回归
XGBClassifier() 实现xgboost分类
XGBRanker() 实现xgboost排序
XGBRFClassifier() 基于xgboost库实现随机森林分类
XGBRFRegressor() 基于xgboost库实现随机森林回归

其中XGBRF的两个类是以XGBoost方式建树、但以bagging方式构建森林的类，通常只有在我们使用普通随机森林效果不佳、但又不希望使用Boosting的时候使用。这种使用XGBoost方式建树的森林在sklearn中已经开始了实验，不过还没有正式上线。

另外两个类就很容易理解了，一个是XGBoost的回归，一个是XGBoost的分类。这两个类的参数高度相似，我们可以以XGBoost回归为例查看：

class xgboost.XGBRegressor(n_estimators, max_depth, learning_rate, verbosity, objective, booster, tree_method, n_jobs, gamma, min_child_weight, max_delta_step, subsample, colsample_bytree, colsample_bylevel, colsample_bynode, reg_alpha, reg_lambda, scale_pos_weight, base_score, random_state, missing, num_parallel_tree, monotone_constraints, interaction_constraints, importance_type, gpu_id, validate_parameters, predictor, enable_categorical, eval_metric, early_stopping_rounds, callbacks,**kwargs)

class xgboost.XGBClassifier(n_estimators, use_label_encoder, max_depth, learning_rate, verbosity, objective, booster, tree_method, n_jobs, gamma, min_child_weight, max_delta_step, subsample, colsample_bytree, colsample_bylevel, colsample_bynode, reg_alpha, reg_lambda, scale_pos_weight, base_score, random_state, missing, num_parallel_tree, monotone_constraints, interaction_constraints, importance_type, gpu_id, validate_parameters, predictor, enable_categorical, **kwargs)

然后这些参数可以参考官网

可以看到，两个类的参数两都很多，其中不乏一些我们非常熟悉的参数，例如n_estimators，learning_rate, max_depth等。但大部分参数还是需要我们重新学习和认识，这与xgboost复杂的原理有很大的关系，但由于是sklearn API，所以所有这些参数都有相应的默认值。我们可以在不认识参数的情况下调用这个类。以回归类为例我们来看：

from xgboost import XGBRegressor
from sklearn.model_selection import cross_validate, KFold
from sklearn.model_selection import train_test_split

data = pd.read_csv(r"D:\Pythonwork\2021ML\PART 2 Ensembles\datasets\House Price\train_encode.csv",index_col=0)

data.head()

image

#回归数据
X = data.iloc[:,:-1]
y = data.iloc[:,-1]

X.shape

y.describe()

image
在这个数据集上我们曾经达到过如下的分数：

算法 RF AdaBoost GBDT RF
(TPE)		 AdaBoost
(TPE)		 GBDT
(TPE)
5折验证
运行时间		 1.29s 0.28s 0.49s 0.22s 0.27s 1.54s(↑)
测试最优分数
(RMSE)		 30571.267 35345.931 28783.954 28346.673 35169.730 26415.835(↓)
然后是skrlean中的代码三部曲： 
#sklearn普通训练代码三步走：实例化，fit，score

Xtrain,Xtest,Ytrain,Ytest = train_test_split(X,y,test_size=0.3,random_state=1412)

xgb_sk = XGBRegressor(random_state=1412) #实例化模型
xgb_sk.fit(Xtrain,Ytrain)
xgb_sk.score(Xtest,Ytest) #默认指标R2

#0.8707175563742298

image
交叉验证三步走：

#sklearn交叉验证三步走：实例化，交叉验证，对结果求平均

xgb_sk = XGBRegressor(random_state=1412) #实例化模型

#定义所需的交叉验证方式
cv = KFold(n_splits=5,shuffle=True,random_state=1412)

result_xgb_sk = cross_validate(xgb_sk,X,y,cv=cv
                               ,scoring="neg_root_mean_squared_error" #负根均方误差
                               ,return_train_score=True
                               ,verbose=True
                               ,n_jobs=-1)

image
然后用这个result_xgb_sk可以看训练过程

result_xgb_sk

image

def RMSE(result,name):
    return abs(result[name].mean())

RMSE(result_xgb_sk,"train_score")
#940.7718003131752

RMSE(result_xgb_sk,"test_score")
#29753.814742669765

image
可以看到，在默认参数下，xgboost模型极度不稳定，并且过拟合的情况非常严重，在训练集上的RMSE达到了前所未有的低点940.77，这说明XGBoost的学习能力的确强劲，现有数据量对xgboost来说可能有点不足。在没有调整任何参数的情况下，XGBoost的表现没能胜过梯度提升树，这可能是因为在默认参数下梯度提升树的过拟合程度较轻。我们可以尝试使用之前学过的知识，对XGBoost的参数略微进行调整，例如将最可能影响模型的参数之一：max_depth设置为一个较小的值。

xgb_sk = XGBRegressor(max_depth=5,random_state=1412) #实例化

result_xgb_sk = cross_validate(xgb_sk,X,y,cv=cv
                               ,scoring="neg_root_mean_squared_error" #负根均方误差
                               ,return_train_score=True
                               ,verbose=True
                               ,n_jobs=-1)

RMSE(result_xgb_sk,"train_score")

RMSE(result_xgb_sk,"test_score")

image
过拟合程度立刻减轻了，这说明模型是有潜力的，经过精密的调参之后xgboost上应该能够获得不错的结果。

当sklearn API训练完毕之后，我们可以调用sklearn中常见的部分属性对训练后的模型进行查看，例如查看特征重要性的属性feature_importances_，以及查看XGB下每一棵树的get_booster()方法、查看总共有多少棵树的get_num_boosting_rounds()方法、以及查看当前所有参数的方法get_params。

xgb_sk = XGBRegressor(max_depth=5,random_state=1412).fit(X,y)

#查看特征重要性
xgb_sk.feature_importances_

#调出其中一棵树，不过无法展示出树的细节，只能够调出建树的Booster对象
xgb_sk.get_booster()[2]

image
一棵树都是一个单独的Booster提升树，Booster就相当于sklearn中DecisionTreeRegressor，只不过是使用xgboost独有的建树规则进行计算。

#查看一共建立了多少棵树，相当于是n_estimators的取值
xgb_sk.get_num_boosting_rounds()

#获取每一个参数的取值
xgb_sk.get_params()

{'objective': 'reg:squarederror',
'base_score': 0.5,
'booster': 'gbtree',
'colsample_bylevel': 1,
'colsample_bynode': 1,
'colsample_bytree': 1,
'enable_categorical': False,
'gamma': 0,
'gpu_id': -1,
'importance_type': None,
'interaction_constraints': '',
'learning_rate': 0.300000012,
'max_delta_step': 0,
'max_depth': 5,
'min_child_weight': 1,
'missing': nan,
'monotone_constraints': '()',
'n_estimators': 100,
'n_jobs': 16,
'num_parallel_tree': 1,
'predictor': 'auto',
'random_state': 1412,
'reg_alpha': 0,
'reg_lambda': 1,
'scale_pos_weight': 1,
'subsample': 1,
'tree_method': 'exact',
'validate_parameters': 1,
'verbosity': None}
image
查看参数对xgboost来说很有意义，因为XGBRegressor的说明中没有注明默认参数，因此通过查看参数，我们可以了解到xgboost在sklearn API中都设置了怎样的参数，作为未来调参的参考。对于xgboost分类器，我们还可以调用predict_proba这样的方法来输出概率值，除此之外我们一般不会再用到xgboost sklearn API中的其他功能。

3 XGBoost回归的原生代码实现

XGBoost的原生代码与我们已经习惯了的sklearn代码有很大的不同。首先，原生代码必须使用XGBoost自定义的数据结构DMatrix，这一数据结构能够保证xgboost算法运行更快，并且能够自然迁移到GPU上运行，类似于列表、数组、Dataframe等结构都不能用于原生代码，因此使用原生代码的第一步就是要更换数据结构。

当设置好数据结构后，我们需要以字典形式设置参数。XGBoost也可以接受像sklearn一样，将所有参数都写在训练所用的类当中，然而由于xgboost的参数列表过长、参数类型过多，直接将所有参数混写在训练模型的类中会显得代码冗长且混乱，因此我们往往会使用字典单独呈现参数。准备好参数列表后，我们将使用xgboost中自带的方法xgb.train或xgb.cv进行训练，train是正常的验证，cv就是交叉验证,训练完毕后，我们再train之后不能得到结果，只可以使用predict方法对结果进行预测，cv就没有这个烦恼了。虽然xgboost原生代码库所使用的数据结构是DMatrix，但在预测试输出的数据结构却是普通的数组，因此可以直接使用sklearn中的评估指标，或者python编写的评估指标进行评估。接下来，我们来认识一下xgboost原生代码中最关键的方法：

*class* `xgboost.DMatrix`(data, label=None, *, weight=None, base_margin=None, missing=None, silent=False, feature_names=None, feature_types=None, nthread=None, group=None, qid=None, label_lower_bound=None, label_upper_bound=None, feature_weights=None, enable_categorical=False)

*function* `xgboost.train`(*params, dtrain, num_boost_round=10, *, evals=None, obj=None, feval=None, maximize=None, early_stopping_rounds=None, evals_result=None, verbose_eval=True, xgb_model=None, callbacks=None, custom_metric=None)

*function* `xgboost.cv`(*params, dtrain, num_boost_round=10, nfold=3, stratified=False, folds=None, metrics=(), obj=None, feval=None, maximize=None, early_stopping_rounds=None, fpreproc=None, as_pandas=True, verbose_eval=None, show_stdv=True, seed=0, callbacks=None, shuffle=True, custom_metric=None)

其中，方法xgb.train和xgb.cv的第一个参数params就是我们需要使用字典自定义的参数列表，第二个参数dtrain就是DMatrix结构的训练数据，这里注意这个dtrain是不分训练数据和标签的，都打包成dtrian，第三个参数num_boost_round其实就等同于sklearn中的n_estimators，表示总共建立多少棵提升树，也就是提升过程中的迭代次数。

在之后的课程中，我们将会详细讲解训练中涉及到的每一个参数，在这里我们了解前三个参数就可以。和sklearn中一样，xgboost中的这些参数也都拥有默认值，因此我们可以不填写任何参数就运行xgboost算法。现在，我们来简单看看原生代码是如何实现的：

import xgboost as xgb
  • 将数据转换为DMatrix

XGBoost模块的三步走：将数据转换为DMatrix，定义需要输入的参数params，直接调用训练。

3.1 第一步，先转换数据格式：

X.head() #DataFrame

image

data_xgb = xgb.DMatrix(X,y)

data_xgb

type(data_xgb)

image
如上所示，DMatrix会将特征矩阵与标签打包在同一个对象中，且一次只能转换一组数据。并且，我们无法通过索引或循环查看内部的内容，一旦数据被转换为DMatrix，就难以调用或修改了：
image
因此，数据预处理需要在转换为DMatrix之前做好。如果我们有划分训练集和测试集，则需要分别将训练集和测试集转换为DMatrix：

#如果有分割训练集和测试集
from sklearn.model_selection import train_test_split
Xtrain,Xtest,Ytrain,Ytest = train_test_split(X,y,test_size=0.3,random_state=1412)

dtrain = xgb.DMatrix(Xtrain,Ytrain)
dtest = xgb.DMatrix(Xtest,Ytest)

3.2 定义所需要输出的参数，直接进行训练

params={'booster':'gbtree',
	    'nthread':12,
	    'objective':          'rank:pairwise',
	    'eval_metric':'auc',
	    'seed':0,
	    'eta': 0.01,
	    'gamma':0.1,
	    'min_child_weight':1.1,
	    'max_depth':5,
	    'lambda':10,
	    'subsample':0.7,
	    'colsample_bytree':0.7,
	    'colsample_bylevel':0.7
	    'tree_method':'exact'
	    }

下面先来介绍一下各个参数的含义：

1、通用参数

1.1. booster【默认gbtree】

xgboost有两种booster可以选择：

gblinear：线性模型； gbtree：基于树的模型。其中的linear很少用到。

1.2. nthread【默认值为最大可能的线程数】：输入系统的核数

2、学习目标参数

2.1. objective[默认reg:linear]

这个参数定义需要被最小化的损失函数（一般二分类问题就用“binary:logistic”和“rank:pairwise”）。最常用的值有（可自定义）：

binary:logistic 二分类的逻辑回归，返回预测的概率(不是类别)。

multi:softmax 使用softmax的多分类器，返回预测的类别(不是概率)。在这种情况下，你还需要多设一个参数：num_class(类别数目)。

multi:softprob 和multi:softmax参数一样，但是返回的是每个数据属于各个类别的概率。

2.2. eval_metric[默认值取决于objective参数的取值]

对于回归问题，默认值是rmse，对于分类问题，默认值是error。

可选值有:rmse、mae、logloss、error、merror、mlogloss、auc

2.3. seed(默认0)：随机数的种子，用于复现随机数据的结果，也可以用于调整参数。

3、booster参数

3.1. eta[默认0.3]：和learning rate类似，通过减小每一步的权重，可以提高模型的鲁棒性。

3.2. gamma[默认0]：这个参数的值越大，算法越保守。这个参数的值和损失函数息息相关。

3.3. min_child_weight[默认1]：最小样本权重的和；这个参数用于避免过拟合，当它的值较大时，可以避免模型学习到局部的特殊样本。但是如果这个值过高，会导致欠拟合。这个参数需要使用CV来调整。

3.4. max_depth[默认6]：这个值为树的最大深度，也是用来避免过拟合的。max_depth越大，模型会学到更具体更局部的样本，需要使用CV函数来进行调优。

3.5. lambda[默认1]：这个参数是用来控制XGBoost的正则化部分的。在减少过拟合上可挖掘更多用处。

3.6. subsample[默认1]：这个参数控制对于每棵树，随机采样的比例。减小这个参数的值，可以避免过拟合。但如果设置得过小，可能会导致欠拟合。

3.7. colsample_bytree[默认1]：用来控制每棵随机采样的列数的占比(每一列是一个特征)。

3.8. colsample_bylevel[默认1]：用来控制树的每一级的每一次分裂，对列数的采样的占比。

3.9. tree_method[默认为近似]：要使用精确的贪婪算法，需要将tree_method设置为“exact”

3.10. num_boost_round：迭代次数，也就是树的个数

3.11. evals：形式是evals = [(dtrain,’train’),(dval,’val’)]或者是evals = [(dtrain,’train’)],对于第一种情况，它使得我们可以在训练过程中观察验证集的效果。

这里先写两个熟悉的函数进行训练：

params = {"max_depth":5,"seed":1412}

reg = xgb.train(params, data_xgb, num_boost_round=100)

不难发现，XGBoost不需要实例化，xgb.train函数包揽了实例化和训练的功能，一行代码解决所有问题。同时，XGBoost在训练时没有区分回归和分类器，它默认是执行回归算法，因此当我们执行回归任务时，代码是最为简单的。

在运行完xgb.train后，我们就已经训练完毕后，训练到的reg可以直接用于预测：

3.3 预测

y_pred = reg.predict(data_xgb)

y_pred

image
我们可以使用sklearn中的评估指标进行评估，对回归类算法，xgboost的默认评估指标是RMSE

from sklearn.metrics import mean_squared_error as MSE
MSE(y,y_pred,squared=False) #RMSE

image
前面说过有两种训练方式一种.train，一种交叉验证cv

params = {"max_depth":5,"seed":1412}
result = xgb.cv(params,data_xgb,num_boost_round=100
                ,nfold=5 #补充交叉验证中所需的参数，nfold=5表示5折交叉验证
                ,seed=1412 #交叉验证的随机数种子，params中的是管理boosting过程的随机数种子
               )

result

image
如上所示，result返回了一个100行，4列的矩阵，格式为DataFrame。

该矩阵行数与迭代次数一致，当我们规定迭代次数为100时，这个矩阵就有100行，如果我们规定的迭代次数为10，这个矩阵就只会有10行。每一行代表了每次迭代后进行交叉验证的结果的均值，例如索引为0的行就表示迭代了一次时（刚建立第一棵树时），进行5折交叉验证的结果，最后一行的结果也就是当前模型迭代完毕后（建好了全部的nun_boost_round棵树时）输出的结果，也是之前我们使用sklearn API时得到过的结果：测试集上5折交叉验证结果28623.22。

每次迭代后xgboost会执行5折交叉验证，并收集交叉验证上的训练集RMSE均值、训练集RMSE的标准差、测试集RMSE的均值、测试集RMSE的标准差，这些数据构成了4列数据。实际上，这个矩阵展示了每次迭代过后，进行5折交叉验证的结果，也展示出了随着迭代次数增多，模型表现变化的趋势，因此输出结果可以被用于绘制图像。

plt.figure(dpi=300)
plt.plot(result["train-rmse-mean"])
plt.plot(result["test-rmse-mean"])
plt.legend(["train","test"])
plt.title("xgboost 5fold cv");

image

4 XGBoost实现分类

from xgboost import XGBClassifier

这里我们用手写字体识别那个数据集

from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
data = load_digits()
X = data.data
y = data.target
print(X.shape,y.shape)

定义参数，这里我们

data_xgb = xgb.DMatrix(X,y)

image

定义参数，注意这里如果是多分类的话要加一个'num_class':10 参数

'''
objective:
“reg:linear” 线性回归.
“reg:logistic" 逻辑回归.
“binary:logistic” 二分类的逻辑回归问题,输出为概率.
“binary:logitraw” 二分类的逻辑回归问题,输出的为wTx.
“count:poisson” 计数问题的poisson回归,输出结果为poisson分布.max_delta_step默认为0.7.(used to safeguard optimization)
“multi:softmax” softmax处理多分类问题,同时需要设置参数num_class(类别个数).
“multi:softprob” 输出各个分类概率,ndata*nclass向量,表示样本所属于每个类别的概率.
“rank:pairwise” set XGBoost to do ranking task by minimizing the pairwise loss.
'''
params = {'learning_rate':0.1
         ,'max_depth':5
         ,'objective':'multi:softmax'
         # ,'objective':'multi:softprob'
         ,'num_class':10 # 10分类
         ,'random_state':1412
         , 'eta':0.8 # boosting算法中的学学习率
         }

.train

model = xgb.train(params, data_xgb, num_boost_round=10)

y_pred = model.predict(data_xgb)

image

这里我们用sklearn中的accuracy_score来判断其正确率

from sklearn.metrics import accuracy_score

accuracy_score(y_pred, y)

image

标签：集成,xgboost,5.5,XGBoost,xgb,算法,参数,sklearn
From： https://www.cnblogs.com/lipu123/p/17557547.html

相关文章

  • Scrapy在pipeline中集成mongodb
    settings.py中设置配置项MONGODB_HOST="127.0.0.1"MONGODB_PORT=27017MONGODB_DB_NAME="bang123"pipelines.py：fromscrapy.pipelines.imagesimportImagesPipelinefromitemadapterimportis_item,ItemAdapterclassBang123Pipeline:......
  • Asp-Net-Core学习笔记：单元测试和集成测试
    前言我在使用AspNetCore的这段时间内，看了很多开源项目和博客，发现各种.Net体系的新技术很多人都有关注和使用，但却很少有人关注测试。测试是软件生命周期中的一个非常重要的阶段，对于保证软件的可靠性具有极其重要的意义。在应用程序的开发过程中，为了确保它的功能与预期一致，必......
  • 五分钟了解制造业核心系统的双向集成
    大家好，我是Edison。上一篇，我们了解制造行业核心的5大系统MES、ERP、WMS、PLM和SCADA是如何连接从而实现数据共享的。本篇，我们来了解一下制造行业工业软件的集成，一是纵向的集成，二是横向的集成。信息系统集成图片来源：后厂造上图粗略描述了制造行业工业软件信息系统在横向和纵向......
  • Springboot JPA 集成多租户
    背景：​ iot-kit项目用的是jpa，不是mybatis，项目中需要引入多租户参考文章：【讲解多租户的实现与原理】https://www.bilibili.com/video/BV1F84y1T7yf/?share_source=copy_web&vd_source=981718c4abc87423399e43793a5d3763https://callistaenterprise.se/blogg/teknik/2020/10/17......
  • SpringCloud 集成和使用 Dubbo
    SpringCloud是当前比较流行的微服务开发框架，因此很有必要介绍一下SpringCloud集成和使用Dubbo技术。本篇博客在上一篇博客的Demo基础上，对pom文件和yml配置文件进行了修改，就可以完成SpringCloud集成和使用Dubbo的Demo。是的，你没有看错，没有修改代码，只是修改了pom......
  • SpringBoot中集成jasypt-spring-boot实现配置文件数据加密脱敏
    场景经常会遇到这样一种情况：项目的配置文件中总有一些敏感信息，比如数据源的url、用户名、密码....这些信息一旦被暴露那么整个数据库都将会被泄漏，那么如何将这些配置隐藏呢。除了使用手动将加密之后的配置写入到配置文件中，提取的时候再手动解密的方式，还可以使用如下方式。jas......
  • Spring Boot项目集成OpenFeign
    在pom.xml文件中加入openfeign依赖<!--服务调用feign--><dependency><groupId>org.springframework.cloud</groupId><artifactId>spring-cloud-starter-openfeign</artifactId></dependency>定义Feign接口，使用@FeignClient注解指定服务......
  • 什么是持续集成和持续交付领域的 pipeline 概念
    在软件开发中，Pipeline是一种自动化的过程，它包括从开发人员提交代码，到代码构建，测试，部署等一系列的步骤。在持续集成（ContinuousIntegration）/持续部署（ContinuousDeployment）领域，Pipeline是非常重要的，因为它可以帮助开发团队更快，更有效地构建，测试和部署软件。首先，让我们详细了解下......
  • jenkins持续集成
    1.jenkins简介  用于持续自动的构建、测试软件项目，监控外部任务的运行，Java语言编写   意义：任一环节都是自动完成，有利于软件发展趋势，节省开发测试时间   CI/CD：持续集成、持续交付。   持续集成定义：一个自动化构建的过程2.jenkins组件   一个自动构建的......
  • 在Docker上实战ElasticSearch以及与SpringBoot集成
    简介项目地址：https://gitee.com/charlinchenlin/wysmallElasticsearch是一个基于Lucene的搜索服务器。它提供了一个分布式多用户能力的全文搜索引擎，基于RESTfulweb接口。Elasticsearch是用Java语言开发的，并作为Apache许可条款下的开放源码发布，是一种流行的企业级搜索引擎。Elastic......

赞助商

阅读排行

网站主页关于我们联系我们网站地图

本网站内容转载自其他媒体，侵权联系[admin##ips99.com]。

Copyright © 2020-2023 IPS99 版权所有 IPS99