XGBoost使用

原始数据

数据介绍

鸢尾花数据集是由杰出的统计学家R.A.Fisher在20世纪30年代中期创建的，它被公认为用于数据挖掘的最著名的数据集。它包含3种植物种类（Iris setosa、Irisversicolor和Iris virginica），每种各有50个样本。

数据下载地址

链接：https://pan.baidu.com/s/1hrG8Yn6 密码：pzgn

XGBoost的特性及使用

XGBoost特性

1. 正则化
   • 标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减少过拟合也是有帮助的。
   • 实际上，XGBoost以“正则化提升(regularized boosting)”技术而闻名。
2. 并行处理
   • XGBoost可以实现并行处理，相比GBM有了速度的飞跃。
   • 不过，众所周知，Boosting算法是顺序处理的，它怎么可能并行呢？每一课树的构造都依赖于前一棵树，那具体是什么让我们能用多核处理器去构造一个树呢？我希望你理解了这句话的意思。如果你希望了解更多，点击这个链接。
   • XGBoost 也支持Hadoop实现。
3. 高度的灵活性
   • XGBoost 允许用户定义自定义优化目标和评价标准
   • 它对模型增加了一个全新的维度，所以我们的处理不会受到任何限制。
4. 缺失值处理
   • XGBoost内置处理缺失值的规则。
   • 用户需要提供一个和其它样本不同的值，然后把它作为一个参数传进去，以此来作为缺失值的取值。XGBoost在不同节点遇到缺失值时采用不同的处理方法，并且会学习未来遇到缺失值时的处理方法。
5. 剪枝
   • 当分裂时遇到一个负损失时，GBM会停止分裂。因此GBM实际上是一个贪心算法。
   • XGBoost会一直分裂到指定的最大深度(max_depth)，然后回过头来剪枝。如果某个节点之后不再有正值，它会去除这个分裂。
   • 这种做法的优点，当一个负损失（如-2）后面有个正损失（如+10）的时候，就显现出来了。GBM会在-2处停下来，因为它遇到了一个负值。但是XGBoost会继续分裂，然后发现这两个分裂综合起来会得到+8，因此会保留这两个分裂。
6. 内置交叉验证
   • XGBoost允许在每一轮boosting迭代中使用交叉验证。因此，可以方便地获得最优boosting迭代次数。
   • 而GBM使用网格搜索，只能检测有限个值。
7. 在已有的模型基础上继续
   • XGBoost可以在上一轮的结果上继续训练。这个特性在某些特定的应用上是一个巨大的优势。
   • sklearn中的GBM的实现也有这个功能，两种算法在这一点上是一致的。

XGBoost参数

XGBoost的作者把所有的参数分成了三类：

• 通用参数：宏观函数控制。
• Booster参数：控制每一步的booster(tree/regression)
• 学习目标参数:控制训练目标的表现

通用参数

• booster[默认gbtree]

  选择每次迭代的模型，有两种选择：

  • gbtree：基于树的模型
  • gbliner：线性模型

• silent[默认0]

  • 当这个参数值为1时，静默模式开启，不会输出任何信息。
  • 一般这个参数就保持默认的0，因为这样能帮我们更好地理解模型。

• nthread[默认值为最大可能的线程数]

  • 这个参数用来进行多线程控制，应当输入系统的核数。
  • 如果你希望使用CPU全部的核，那就不要输入这个参数，算法会自动检测它。
  • 还有两个参数，XGBoost会自动设置，目前你不用管它。接下来咱们一起看booster参数。

booster参数

尽管有两种booster可供选择，我这里只介绍tree booster，因为它的表现远远胜过linear booster，所以linear booster很少用到。

• eta[默认0.3]
  • 和GBM中的 learning rate 参数类似。
  • 通过减少每一步的权重，可以提高模型的鲁棒性。
  • 典型值为0.01-0.2。
• min_child_weight[默认1]
  • 决定最小叶子节点样本权重和。
  • 和GBM的 min_child_leaf 参数类似，但不完全一样。XGBoost的这个参数是最小样本权重的和，而GBM参数是最小样本总数。
  • 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。
• max_depth[默认6]
  • 和GBM中的参数相同，这个值为树的最大深度。
  • 这个值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。
  • 典型值：3-10
• max_leaf_nodes
  • 树上最大的节点或叶子的数量。
  • 可以替代max_depth的作用。因为如果生成的是二叉树，一个深度为n的树最多生成n2个叶子。
  • 如果定义了这个参数，GBM会忽略max_depth参数。
• gamma[默认0]
  • 在节点分裂时，只有分裂后损失函数的值下降了，才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。
  • 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，所以是需要调整的。
• max_delta_step[默认0]
  • 这参数限制每棵树权重改变的最大步长。如果这个参数的值为0，那就意味着没有约束。如果它被赋予了某个正值，那么它会让这个算法更加保守。
  • 通常，这个参数不需要设置。但是当各类别的样本十分不平衡时，它对逻辑回归是很有帮助的。
  • 这个参数一般用不到，但是你可以挖掘出来它更多的用处。
• subsample[默认1]
  • 和GBM中的subsample参数一模一样。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，算法会更加保守，避免过拟合。但是，如果这个值设置得过小，它可能会导致欠拟合。
  • 典型值：0.5-1
• colsample_bytree[默认1]
  • 和GBM里面的max_features参数类似。用来控制每棵随机采样的列数的占比(每一列是一个特征)。
  • 典型值：0.5-1
• 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。
  • 我个人一般不太用这个参数，因为subsample参数和colsample_bytree参数可以起到相同的作用。但是如果感兴趣，可以挖掘这个参数更多的用处。
• lambda[默认1]
  • 权重的L2正则化项。(和Ridge regression类似)。
  • 这个参数是用来控制XGBoost的正则化部分的。虽然大部分数据科学家很少用到这个参数，但是这个参数在减少过拟合上还是可以挖掘出更多用处的。
• alpha[默认1]
  • 权重的L1正则化项。(和Lasso regression类似)。
  • 可以应用在很高维度的情况下，使得算法的速度更快。
• scale_pos_weight[默认1]
  • 在各类别样本十分不平衡时，把这个参数设定为一个正值，可以使算法更快收敛。

学习目标参数

这个参数用来控制理想的优化目标和每一步结果的度量方法。

• objective[默认reg:linear]

  这个参数定义需要被最小化的损失函数。最常用的值有：

  • 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。

• eval_metric[默认值取决于objective参数的取值]

  • 对于有效数据的度量方法。
  • 对于回归问题，默认值是rmse，对于分类问题，默认值是error。

• 典型值有：

  • rmse 均方根误差(∑Ni=1ϵ2N−−−−−−√)
  • mae 平均绝对误差(∑Ni=1|ϵ|N)
  • logloss 负对数似然函数值
  • error 二分类错误率(阈值为0.5)
  • merror 多分类错误率
  • mlogloss 多分类logloss损失函数
  • auc 曲线下面积

• seed(默认0)

  • 随机数的种子
  • 设置它可以复现随机数据的结果，也可以用于调整参数

如果你之前用的是Scikit-learn,你可能不太熟悉这些参数。但是有个好消息，python的XGBoost模块有一个sklearn包，XGBClassifier。这个包中的参数是按sklearn风格命名的。会改变的函数名是：

1. eta ->learning_rate
2. lambda->reg_lambda
3. alpha->reg_alpha

实验过程

环境配置

1. 前往https://www.lfd.uci.edu/~gohlke/pythonlibs/#pip，下载xgboost的whl文件。cp35代表适用与python3.5的环境。

2. 将下载的whl文件通过pip命令安装

xg.png

实验过程

• 引入相关包

  # -*- coding:utf-8 -*-
  import xgboost as xgb
  import numpy as np
  from sklearn.model_selection import train_test_split
  import matplotlib.pyplot as plt
  from sklearn.metrics import accuracy_score
  

• 读取文件

  通过numpy读取文件

  data = np.loadtxt('iris.data.txt', dtype=float, delimiter=',', converters={4: iris_type})
  x, y = np.split(data, [4], axis=1)
  

  ​

• 划分测试集和训练集

  # 拆分成训练集与测试集
  x_train, x_test, y_train, y_test = train_test_split(x, y,  random_state=1)
  

• 设置参数并训练

  #设置参数
  param = {'max_depth': max_depth,
               'eta': eta,
               'silent': 1,
               'objective': 'multi:softmax',
               'num_class': num_class}
  
  num_round = round
  # 训练模型
  bsg = xgb.train(param, train, num_round, evals=watch_list)
  

• 预测准确率并作图

  # 预测模型
  y_hat = bsg.predict(test)
  # 计算误差
  #result = y_test.reshape(1, -1) == y_hat
  #true = float(np.sum(result)) / len(y_hat)
  return accuracy_score(y_test, y_hat)