机器学习集成学习进阶Xgboost算法案例分析

╰半橙微兮° 2024-04-03 12:56 50阅读 0赞

#### 目录 ####

*  1 xgboost算法api介绍
 *   *  1.1 xgboost的安装
 *  2 xgboost参数介绍
 *   *  2.1 通用参数（general parameters）
     *  2.2 Booster 参数（booster parameters）
     *   *  2.2.1 Parameters for Tree Booster
         *  2.2.2 Parameters for Linear Booster
     *  2.3 学习目标参数（task parameters）
 *  3 xgboost案例介绍
 *   *  3.1 案例背景
     *  3.2 步骤分析
     *  3.3 代码实现
 *  4 otto案例介绍
 *   *  4.1 背景介绍
     *  4.22 思路分析
     *  4.3 部分代码实现

--------------------

## 1 xgboost算法api介绍 ##

### 1.1 xgboost的安装 ###

官网链接：https://xgboost.readthedocs.io/en/latest/

pip3 install xgboost

## 2 xgboost参数介绍 ##

xgboost虽然被称为kaggle比赛神奇，但是，我们要想训练出不错的模型，必须要给参数传递合适的值。

xgboost中封装了很多参数，主要由三种类型构成：**通用参数（general parameters），Booster 参数（booster parameters）和学习目标参数（task parameters）**

*  通用参数：主要是**宏观函数控制；**
 *  Booster参数：取决于选择的Booster类型，**用于控制每一步的booster（tree, regressiong）**；
 *  学习目标参数：**控制训练目标的表现**。

### 2.1 通用参数（general parameters） ###

1.  **booster** \[缺省值=gbtree\]
2.  决定使用哪个booster，可以是gbtree，gblinear或者dart。
    
     *  g**btree和dart使用基于树的模型(dart 主要多了 Dropout)，而gblinear 使用线性函数.**
3.  **silent** \[缺省值=0\]
    
     *  设置为0打印运行信息；设置为1静默模式，不打印
4.  **nthread** \[缺省值=设置为最大可能的线程数\]
    
     *  并行运行xgboost的线程数，输入的参数应该<=系统的CPU核心数，若是没有设置算法会检测将其设置为CPU的全部核心数

> 下面的两个参数不需要设置，使用默认的就好了

1.  **num\_pbuffer** \[xgboost自动设置，不需要用户设置\]
    
     *  预测结果缓存大小，通常设置为训练实例的个数。该缓存用于保存最后boosting操作的预测结果。
2.  **num\_feature** \[xgboost自动设置，不需要用户设置\]
    
     *  在boosting中使用特征的维度，设置为特征的最大维度

### 2.2 Booster 参数（booster parameters） ###

#### 2.2.1 Parameters for Tree Booster ####

1.  **eta** \[缺省值=0.3，别名：learning\_rate\]
    
     *  更新中减少的步长来防止过拟合。
     *  在每次boosting之后，可以直接获得新的特征权值，这样可以使得boosting更加鲁棒。
     *  范围： \[0,1\]
2.  **gamma** \[缺省值=0，别名: min\_split\_loss\]（分裂最小loss）
    
     *  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。
     *  范围: \[0,∞\]
3.  **max\_depth** \[缺省值=6\]
    
     *  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。设置为0代表没有限制
     *  范围: \[0,∞\]
4.  **min\_child\_weight** \[缺省值=1\]
    
     *  决定最小叶子节点样本权重和。XGBoost的这个参数是最小样本权重的和.
     *  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。.
     *  范围: \[0,∞\]
5.  **subsample** \[缺省值=1\]
    
     *  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，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：0.5-1，0.5代表平均采样，防止过拟合.
     *  范围: (0,1\]
6.  **colsample\_bytree** \[缺省值=1\]
    
     *  用来控制每棵随机采样的列数的占比(每一列是一个特征)。
     *  典型值：0.5-1
     *  范围: (0,1\]
7.  **colsample\_bylevel** \[缺省值=1\]
    
     *  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。
     *  范围: (0,1\]
8.  **lambda** \[缺省值=1，别名: reg\_lambda\]
    
     *  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。.
9.  **alpha** \[缺省值=0，别名: reg\_alpha\]
    
     *  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。
10. **scale\_pos\_weight**\[缺省值=1\]
    
     *  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。通常可以将其设置为负
     *  样本的数目与正样本数目的比值。

#### 2.2.2 Parameters for Linear Booster ####

> linear booster一般很少用到。

1.  **lambda** \[缺省值=0，别称: reg\_lambda\]
    
     *  L2正则化惩罚系数，增加该值会使得模型更加保守。
2.  **alpha** \[缺省值=0，别称: reg\_alpha\]
    
     *  L1正则化惩罚系数，增加该值会使得模型更加保守。
3.  **lambda\_bias** \[缺省值=0，别称: reg\_lambda\_bias\]
    
     *  偏置上的L2正则化(没有在L1上加偏置，因为并不重要)

### 2.3 学习目标参数（task parameters） ###

1.  **objective** \[缺省值=reg:linear\]
    
    1.  “**reg:linear**” – 线性回归
    2.  **“reg:logistic**” – 逻辑回归
    3.  “**binary:logistic**” – 二分类逻辑回归，输出为概率
    4.  “**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)
    5.  “**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.  **eval\_metric** \[缺省值=通过目标函数选择\]
    
    可供选择的如下所示：
    
    1.  “**rmse**”: 均方根误差
    2.  “**mae**”: 平均绝对值误差
    3.  “**logloss**”: 负对数似然函数值
    4.  “
        
        error”
        
        二分类错误率。
        
         *  其值通过错误分类数目与全部分类数目比值得到。对于预测，预测值大于0.5被认为是正类，其它归为负类。
    5.  “**error@t**”: 不同的划分阈值可以通过 ‘t’进行设置
    6.  “**merror**”: 多分类错误率，计算公式为(wrong cases)/(all cases)
    7.  “**mlogloss**”: 多分类log损失
    8.  “**auc**”: 曲线下的面积
3.  seed \[缺省值=0\]
    
     *  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

## 3 xgboost案例介绍 ##

### 3.1 案例背景 ###

> 该案例和前面决策树中所用案例一样。

泰坦尼克号沉没是历史上最臭名昭着的沉船事件之一。1912年4月15日，在她的处女航中，泰坦尼克号在与冰山相撞后沉没，在2224名乘客和机组人员中造成1502人死亡。这场耸人听闻的悲剧震惊了国际社会，并为船舶制定了更好的安全规定。 造成海难失事的原因之一是乘客和机组人员没有足够的救生艇。尽管幸存下沉有一些运气因素，但有些人比其他人更容易生存，例如妇女，儿童和上流社会。 在这个案例中，我们要求您完成对哪些人可能存活的分析。特别是，我们要求您运用机器学习工具来预测哪些乘客幸免于悲剧。

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

我们提取到的数据集中的特征包括票的类别，是否存活，乘坐班次，年龄，登陆home.dest，房间，船和性别等。

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

![æ³°å¦å°¼å…‹å·æ•°æ®][08e1ec00bf2832b816fb513d9b3e7560.jpeg]

经过观察数据得到:

*  **1 乘坐班是指乘客班（1，2，3），是社会经济阶层的代表。**
 *  **2 其中age数据存在缺失。**

### 3.2 步骤分析 ###

*  1.获取数据
 *  2.数据基本处理
    
     *  2.1 确定特征值,目标值
     *  2.2 缺失值处理
     *  2.3 数据集划分
 *  3.特征工程(字典特征抽取)
 *  4.机器学习(xgboost)
 *  5.模型评估

### 3.3 代码实现 ###

*  导入需要的模块

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

*  1.获取数据

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

*  2.数据基本处理
 *  2.1 确定特征值,目标值

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

*  2.2 缺失值处理

# 缺失值需要处理，将特征当中有类别的这些特征进行字典特征抽取
    x['age'].fillna(x['age'].mean(), inplace=True)

*  2.3 数据集划分

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)

特征中出现类别符号，需要进行one-hot编码处理(DictVectorizer)

x.to\_dict(orient=“records”) 需要将数组特征转换成字典数据

# 对于x转换成字典数据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模型训练和模型评估

# 模型初步训练
    from xgboost import XGBClassifier
    xg = XGBClassifier()
    
    xg.fit(x_train, y_train)
    
    xg.score(x_test, y_test)
    # 针对max_depth进行模型调优
    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)
    # 结果可视化
    import matplotlib.pyplot as plt
    
    plt.plot(depth_range, score)
    
    plt.show()

![image-20200209155048100][]

## 4 otto案例介绍 ##

– Otto Group Product Classification Challenge【xgboost实现】

### 4.1 背景介绍 ###

奥托集团是世界上最大的电子商务公司之一，在20多个国家设有子公司。该公司每天都在世界各地销售数百万种产品,所以对其产品根据性能合理的分类非常重要。

不过,在实际工作中,工作人员发现,许多相同的产品得到了不同的分类。本案例要求,你对奥拓集团的产品进行正确的分分类。尽可能的提供分类的准确性。

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

![2nd iteration][]

--------------------

### 4.22 思路分析 ###

*  1.数据获取
 *  2.数据基本处理
    
     *  2.1 截取部分数据
     *  2.2 把标签纸转换为数字
     *  **2.3 分割数据(使用StratifiedShuffleSplit)**
     *  **2.4 数据标准化**
     *  **2.5 数据pca降维**
 *  **3.模型训练**
    
     *  **3.1 基本模型训练**
     *  3.2 模型调优
        
         *  3.2.1 调优参数:
            
             *  **n\_estimator,**
             *  **max\_depth,**
             *  **min\_child\_weights,**
             *  **subsamples,**
             *  **consample\_bytrees,**
             *  **etas**
         *  **3.2.2 确定最后最优参数**

### 4.3 部分代码实现 ###

*  2.数据基本处理
 *  2.1 截取部分数据
 *  2.2 把标签值转换为数字
 *  **2.3 分割数据(使用StratifiedShuffleSplit)**

# 使用StratifiedShuffleSplit对数据集进行分割
    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]
    # 分割数据图形可视化
    import seaborn as sns
    
    sns.countplot(y_val)
    
    plt.show()

*  **2.4 数据标准化**

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 数据pca降维**

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)

从上面输出的数据可以看出,只选择65个元素,就可以表达出特征中90%的信息

# 降维数据可视化
    plt.plot(np.cumsum(pca.explained_variance_ratio_))
    
    plt.xlabel("元素数量")
    plt.ylabel("可表达信息的百分占比")
    
    plt.show()

![image-20200211092529327][]

--------------------

*  **3.模型训练**
 *  **3.1 基本模型训练**

from xgboost import XGBClassifier
    
    xgb = XGBClassifier()
    xgb.fit(x_train_pca, y_train)
    
    # 改变预测值的输出模式,让输出结果为百分占比,降低logloss值
    y_pre_proba = xgb.predict_proba(x_val_pca)
    # logloss进行模型评估
    from sklearn.metrics import log_loss
    log_loss(y_val, y_pre_proba, eps=1e-15, normalize=True)
    
    xgb.get_params

*  **3.2 模型调优**
 *  **3.2.1 调优参数:**
 *  **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("测试数据的logloss值为:{}".format(score))
    # 数据变化可视化
    plt.plot(n_estimators, scores_ne, "o-")
    
    plt.ylabel("log_loss")
    plt.xlabel("n_estimators")
    print("n_estimators的最优值为:{}".format(n_estimators[np.argmin(scores_ne)]))

![image-20200211092901936][]

*  **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("测试数据的logloss值为:{}".format(log_loss(y_val, y_pre)))
    # 数据变化可视化
    plt.plot(max_depths, scores_md, "o-")  # 修改
    
    plt.ylabel("log_loss")
    plt.xlabel("max_depths")  # 修改
    print("max_depths的最优值为:{}".format(max_depths[np.argmin(scores_md)]))  # 修改

*  3） min\_child\_weights,
    
     *  依据上面模式进行调整
 *  **4） subsamples,**
 *  **5） consample\_bytrees,**
 *  **6） etas**
 *  **3.2.2 确定最后最优参数**

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("测试数据的logloss值为 : {}".format(log_loss(y_val, y_pre, eps=1e-15, normalize=True)))

[08e1ec00bf2832b816fb513d9b3e7560.jpeg]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/c27e18fa299845a4ba5a42d94be01f59.jpeg
[image-20200209155048100]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/db30c5f07ea642b99f9f26c92d68a610.jpeg
[2nd iteration]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/fb579e4c479a4a438787a64b5d555c18.jpeg
[image-20200211092529327]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/c582be2a7e524965a9d4e11ee0801484.jpeg
[image-20200211092901936]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/03/0229684dd9974a70a2c87feb137a9316.jpeg