機器學習內建學習進階Xgboost算法案例分析

目錄

• ​​1 xgboost算法api介紹​​

• ​​1.1 xgboost的安裝​​

• ​​2 xgboost參數介紹​​

• ​​2.1 通用參數（general parameters）​​
• ​​2.2 Booster 參數（booster parameters）​​

• ​​2.2.1 Parameters for Tree Booster​​
• ​​2.2.2 Parameters for Linear Booster​​

• ​​2.3 學習目标參數（task parameters）​​

• ​​3 xgboost案例介紹​​

• ​​3.1 案例背景​​
• ​​3.2 步驟分析​​
• ​​3.3 代碼實作​​

• ​​4 otto案例介紹​​

• ​​4.1 背景介紹​​
• ​​4.22 思路分析​​
• ​​4.3 部分代碼實作​​

1 xgboost算法api介紹

1.1 xgboost的安裝

官網連結：https://xgboost.readthedocs.io/en/latest/

pip3 install xgboost      

2 xgboost參數介紹

xgboost雖然被稱為kaggle比賽神奇，但是，我們要想訓練出不錯的模型，必須要給參數傳遞合适的值。

xgboost中封裝了很多參數，主要由三種類型構成：通用參數（general parameters），Booster 參數（booster parameters）和學習目标參數（task parameters）

• 通用參數：主要是宏觀函數控制；
• Booster參數：取決于選擇的Booster類型，用于控制每一步的booster（tree, regressiong）；
• 學習目标參數：控制訓練目标的表現。

2.1 通用參數（general parameters）

1. booster [預設值=gbtree]
2. 決定使用哪個booster，可以是gbtree，gblinear或者dart。

• gbtree和dart使用基于樹的模型(dart 主要多了 Dropout)，而gblinear 使用線性函數.

1. silent [預設值=0]

• 設定為0列印運作資訊；設定為1靜默模式，不列印

1. nthread [預設值=設定為最大可能的線程數]

• 并行運作xgboost的線程數，輸入的參數應該<=系統的CPU核心數，若是沒有設定算法會檢測将其設定為CPU的全部核心數

下面的兩個參數不需要設定，使用預設的就好了

1. num_pbuffer [xgboost自動設定，不需要使用者設定]

• 預測結果緩存大小，通常設定為訓練執行個體的個數。該緩存用于儲存最後boosting操作的預測結果。

1. num_feature [xgboost自動設定，不需要使用者設定]

• 在boosting中使用特征的次元，設定為特征的最大次元

2.2 Booster 參數（booster parameters）

2.2.1 Parameters for Tree Booster

1. eta [預設值=0.3，别名：learning_rate]

• 更新中減少的步長來防止過拟合。
• 在每次boosting之後，可以直接獲得新的特征權值，這樣可以使得boosting更加魯棒。
• 範圍： [0,1]

1. gamma [預設值=0，别名: min_split_loss]（分裂最小loss）

• 在節點分裂時，隻有分裂後損失函數的值下降了，才會分裂這個節點。
• Gamma指定了節點分裂所需的最小損失函數下降值。 這個參數的值越大，算法越保守。這個參數的值和損失函數息息相關，是以是需要調整的。
• 範圍: [0,∞]

1. max_depth [預設值=6]

• 這個值為樹的最大深度。 這個值也是用來避免過拟合的。max_depth越大，模型會學到更具體更局部的樣本。設定為0代表沒有限制
• 範圍: [0,∞]

1. min_child_weight [預設值=1]

• 決定最小葉子節點樣本權重和。XGBoost的這個參數是最小樣本權重的和.
• 當它的值較大時，可以避免模型學習到局部的特殊樣本。 但是如果這個值過高，會導緻欠拟合。這個參數需要使用CV來調整。.
• 範圍: [0,∞]

1. subsample [預設值=1]

• 這個參數控制對于每棵樹，随機采樣的比例。
• 減小這個參數的值，算法會更加保守，避免過拟合。但是，如果這個值設定得過小，它可能會導緻欠拟合。
• 典型值：0.5-1，0.5代表平均采樣，防止過拟合.
• 範圍: (0,1]

1. colsample_bytree [預設值=1]

• 用來控制每棵随機采樣的列數的占比(每一列是一個特征)。
• 典型值：0.5-1
• 範圍: (0,1]

1. colsample_bylevel [預設值=1]

• 用來控制樹的每一級的每一次分裂，對列數的采樣的占比。
• 我個人一般不太用這個參數，因為subsample參數和colsample_bytree參數可以起到相同的作用。但是如果感興趣，可以挖掘這個參數更多的用處。
• 範圍: (0,1]

1. lambda [預設值=1，别名: reg_lambda]

• 權重的L2正則化項(和Ridge regression類似)。
• 這個參數是用來控制XGBoost的正則化部分的。雖然大部分資料科學家很少用到這個參數，但是這個參數
• 在減少過拟合上還是可以挖掘出更多用處的。.

1. alpha [預設值=0，别名: reg_alpha]

• 權重的L1正則化項。(和Lasso regression類似)。 可以應用在很高次元的情況下，使得算法的速度更快。

1. scale_pos_weight[預設值=1]

• 在各類别樣本十分不平衡時，把這個參數設定為一個正值，可以使算法更快收斂。通常可以将其設定為負
• 樣本的數目與正樣本數目的比值。

2.2.2 Parameters for Linear Booster

linear booster一般很少用到。

1. lambda [預設值=0，别稱: reg_lambda]

• L2正則化懲罰系數，增加該值會使得模型更加保守。

1. alpha [預設值=0，别稱: reg_alpha]

• L1正則化懲罰系數，增加該值會使得模型更加保守。

1. lambda_bias [預設值=0，别稱: reg_lambda_bias]

• 偏置上的L2正則化(沒有在L1上加偏置，因為并不重要)

2.3 學習目标參數（task parameters）

1. objective [預設值=reg:linear]

1. “reg:linear” – 線性回歸
2. “reg:logistic” – 邏輯回歸
3. “binary:logistic” – 二分類邏輯回歸，輸出為機率
4. “multi:softmax” – 使用softmax的多分類器，傳回預測的類别(不是機率)。在這種情況下，你還需要多設一個參數：num_class(類别數目)
5. “multi:softprob” – 和multi:softmax參數一樣，但是傳回的是每個資料屬于各個類别的機率。

1. eval_metric [預設值=通過目标函數選擇]

   可供選擇的如下所示：

1. “rmse”: 均方根誤差
2. “mae”: 平均絕對值誤差
3. “logloss”: 負對數似然函數值

4. “

   二分類錯誤率。

• 其值通過錯誤分類數目與全部分類數目比值得到。對于預測，預測值大于0.5被認為是正類，其它歸為負類。

1. “error@t”: 不同的劃分門檻值可以通過 ‘t’進行設定
2. “merror”: 多分類錯誤率，計算公式為(wrong cases)/(all cases)
3. “mlogloss”: 多分類log損失
4. “auc”: 曲線下的面積

1. seed [預設值=0]

• 随機數的種子

- 設定它可以複現随機資料的結果，也可以用于調整參數      

3 xgboost案例介紹

3.1 案例背景

該案例和前面決策樹中所用案例一樣。

泰坦尼克号沉沒是曆史上最臭名昭着的沉船事件之一。1912年4月15日，在她的處女航中，泰坦尼克号在與冰山相撞後沉沒，在2224名乘客和機組人員中造成1502人死亡。這場聳人聽聞的悲劇震驚了國際社會，并為船舶制定了更好的安全規定。 造成海難失事的原因之一是乘客和機組人員沒有足夠的救生艇。盡管幸存下沉有一些運氣因素，但有些人比其他人更容易生存，例如婦女，兒童和上流社會。 在這個案例中，我們要求您完成對哪些人可能存活的分析。特别是，我們要求您運用機器學習工具來預測哪些乘客幸免于悲劇。

案例：https://www.kaggle.com/c/titanic/overview

我們提取到的資料集中的特征包括票的類别，是否存活，乘坐班次，年齡，登陸home.dest，房間，船和性别等。

資料：http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt

經過觀察資料得到:

• 1 乘坐班是指乘客班（1，2，3），是社會經濟階層的代表。
• 2 其中age資料存在缺失。

3.2 步驟分析

• 1.擷取資料
• 2.資料基本處理

• 2.1 确定特征值,目标值
• 2.2 缺失值處理
• 2.3 資料集劃分

• 3.特征工程(字典特征抽取)
• 4.機器學習(xgboost)
• 5.模型評估

3.3 代碼實作

• 導入需要的子產品

import pandas as pd
import numpy as np
from sklearn.feature_extraction import DictVectorizer
from sklearn.model_selection import train_test_split      

• 1.擷取資料

# 1、擷取資料
titan = pd.read_csv("http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt")      

• 2.資料基本處理
• 2.1 确定特征值,目标值

x = titan[["pclass", "age", "sex"]]
y = titan["survived"]      

• 2.2 缺失值處理

# 缺失值需要處理，将特征當中有類别的這些特征進行字典特征抽取
x['age'].fillna(x['age'].mean(), inplace=True)      

• 2.3 資料集劃分

x_train, x_test, y_train, y_test = train_test_split(x, y, random_state=22)      

• 3.特征工程(字典特征抽取)

特征中出現類别符号，需要進行one-hot編碼處理(DictVectorizer)

x.to_dict(orient=“records”) 需要将數組特征轉換成字典資料

# 對于x轉換成字典資料x.to_dict(orient="records")
# [{"pclass": "1st", "age": 29.00, "sex": "female"}, {}]

transfer = DictVectorizer(sparse=False)

x_train = transfer.fit_transform(x_train.to_dict(orient="records"))
x_test = transfer.fit_transform(x_test.to_dict(orient="records"))      

• 4.xgboost模型訓練和模型評估

# 模型初步訓練
from xgboost import XGBClassifier
xg = XGBClassifier()

xg.fit(x_train, y_train)

xg.score(x_test, y_test)
# 針對max_depth進行模型調優
depth_range = range(10)
score = []
for i in depth_range:
    xg = XGBClassifier(eta=1, gamma=0, max_depth=i)
    xg.fit(x_train, y_train)
    s = xg.score(x_test, y_test)
    print(s)
    score.append(s)
# 結果可視化
import matplotlib.pyplot as plt

plt.plot(depth_range, score)

plt.show()      

4 otto案例介紹

– Otto Group Product Classification Challenge【xgboost實作】

4.1 背景介紹

奧托集團是世界上最大的電子商務公司之一，在20多個國家設有子公司。該公司每天都在世界各地銷售數百萬種産品,是以對其産品根據性能合理的分類非常重要。

不過,在實際工作中,從業人員發現,許多相同的産品得到了不同的分類。本案例要求,你對奧拓集團的産品進行正确的分分類。盡可能的提供分類的準确性。

連結：https://www.kaggle.com/c/otto-group-product-classification-challenge/overview

4.22 思路分析

• 1.資料擷取
• 2.資料基本處理

• 2.1 截取部分資料
• 2.2 把标簽紙轉換為數字
• 2.3 分割資料(使用StratifiedShuffleSplit)
• 2.4 資料标準化
• 2.5 資料pca降維

• 3.模型訓練

• 3.1 基本模型訓練
• 3.2 模型調優

• 3.2.1 調優參數:

• n_estimator,
• max_depth,
• min_child_weights,
• subsamples,
• consample_bytrees,
• etas

• 3.2.2 确定最後最優參數

4.3 部分代碼實作

• 2.資料基本處理
• 2.1 截取部分資料
• 2.2 把标簽值轉換為數字
• 2.3 分割資料(使用StratifiedShuffleSplit)

# 使用StratifiedShuffleSplit對資料集進行分割
from sklearn.model_selection import StratifiedShuffleSplit

sss = StratifiedShuffleSplit(n_splits=1, test_size=0.2, random_state=0)
for train_index, test_index in sss.split(X_resampled.values, y_resampled):
    print(len(train_index))
    print(len(test_index))

    x_train = X_resampled.values[train_index]
    x_val = X_resampled.values[test_index]

    y_train = y_resampled[train_index]
    y_val = y_resampled[test_index]
# 分割資料圖形可視化
import seaborn as sns

sns.countplot(y_val)

plt.show()      

• 2.4 資料标準化

from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
scaler.fit(x_train)

x_train_scaled = scaler.transform(x_train)
x_val_scaled = scaler.transform(x_val)      

• 2.5 資料pca降維

print(x_train_scaled.shape)
# (13888, 93)

from sklearn.decomposition import PCA

pca = PCA(n_components=0.9)
x_train_pca = pca.fit_transform(x_train_scaled)
x_val_pca = pca.transform(x_val_scaled)

print(x_train_pca.shape, x_val_pca.shape)
(13888, 65) (3473, 65)      

從上面輸出的資料可以看出,隻選擇65個元素,就可以表達出特征中90%的資訊

# 降維資料可視化
plt.plot(np.cumsum(pca.explained_variance_ratio_))

plt.xlabel("元素數量")
plt.ylabel("可表達資訊的百分占比")

plt.show()      

• 3.模型訓練
• 3.1 基本模型訓練

from xgboost import XGBClassifier

xgb = XGBClassifier()
xgb.fit(x_train_pca, y_train)

# 改變預測值的輸出模式,讓輸出結果為百分占比,降低logloss值
y_pre_proba = xgb.predict_proba(x_val_pca)
# logloss進行模型評估
from sklearn.metrics import log_loss
log_loss(y_val, y_pre_proba, eps=1e-15, normalize=True)

xgb.get_params      

• 3.2 模型調優
• 3.2.1 調優參數:
• 1） n_estimator

scores_ne = []
n_estimators = [100,200,400,450,500,550,600,700]

for nes in n_estimators:
    print("n_estimators:", nes)
    xgb = XGBClassifier(max_depth=3, 
                        learning_rate=0.1, 
                        n_estimators=nes, 
                        objective="multi:softprob", 
                        n_jobs=-1, 
                        nthread=4, 
                        min_child_weight=1, 
                        subsample=1, 
                        colsample_bytree=1,
                        seed=42)

    xgb.fit(x_train_pca, y_train)
    y_pre = xgb.predict_proba(x_val_pca)
    score = log_loss(y_val, y_pre)
    scores_ne.append(score)
    print("測試資料的logloss值為:{}".format(score))
# 資料變化可視化
plt.plot(n_estimators, scores_ne, "o-")

plt.ylabel("log_loss")
plt.xlabel("n_estimators")
print("n_estimators的最優值為:{}".format(n_estimators[np.argmin(scores_ne)]))      

• 2）max_depth

scores_md = []
max_depths = [1,3,5,6,7]

for md in max_depths:  # 修改
    xgb = XGBClassifier(max_depth=md, # 修改
                        learning_rate=0.1, 
                        n_estimators=n_estimators[np.argmin(scores_ne)],   # 修改 
                        objective="multi:softprob", 
                        n_jobs=-1, 
                        nthread=4, 
                        min_child_weight=1, 
                        subsample=1, 
                        colsample_bytree=1,
                        seed=42)

    xgb.fit(x_train_pca, y_train)
    y_pre = xgb.predict_proba(x_val_pca)
    score = log_loss(y_val, y_pre)
    scores_md.append(score)  # 修改
    print("測試資料的logloss值為:{}".format(log_loss(y_val, y_pre)))
# 資料變化可視化
plt.plot(max_depths, scores_md, "o-")  # 修改

plt.ylabel("log_loss")
plt.xlabel("max_depths")  # 修改
print("max_depths的最優值為:{}".format(max_depths[np.argmin(scores_md)]))  # 修改      

• 3） min_child_weights,

• 依據上面模式進行調整

• 4） subsamples,
• 5） consample_bytrees,
• 6） etas
• 3.2.2 确定最後最優參數

xgb = XGBClassifier(learning_rate =0.1, 
                    n_estimators=550, 
                    max_depth=3, 
                    min_child_weight=3, 
                    subsample=0.7, 
                    colsample_bytree=0.7, 
                    nthread=4, 
                    seed=42, 
                    objective='multi:softprob')
xgb.fit(x_train_scaled, y_train)

y_pre = xgb.predict_proba(x_val_scaled)

print("測試資料的logloss值為 : {}".format(log_loss(y_val, y_pre, eps=1e-15, normalize=True)))