【机器学习】集成学习代码练习（随机森林、GBDT、XGBoost、LightGBM等）

痛定思痛。 2023-09-25 14:29 23阅读 0赞

> 本文是中国大学慕课《机器学习》的“集成学习”章节的课后代码。
> 
> 课程地址：
> 
> https://www.icourse163.org/course/WZU-1464096179
> 
> 课程完整代码：
> 
> https://github.com/fengdu78/WZU-machine-learning-course
> 
> 代码修改并注释：黄海广，haiguang2000@wzu.edu.cn

import warnings
    warnings.filterwarnings("ignore")
    import pandas as pd
    from sklearn.model_selection import train_test_split

### 生成数据 ###

生成12000行的数据，训练集和测试集按照3:1划分

from sklearn.datasets import make_hastie_10_2
    
    data, target = make_hastie_10_2()

X_train, X_test, y_train, y_test = train_test_split(data, target, random_state=123)
    X_train.shape, X_test.shape

((9000, 10), (3000, 10))

### 模型对比 ###

对比六大模型，都使用默认参数

from sklearn.linear_model import LogisticRegression
    from sklearn.ensemble import RandomForestClassifier
    from sklearn.ensemble import AdaBoostClassifier
    from sklearn.ensemble import GradientBoostingClassifier
    from xgboost import XGBClassifier
    from lightgbm import LGBMClassifier
    from sklearn.model_selection import cross_val_score
    import time
    
    clf1 = LogisticRegression()
    clf2 = RandomForestClassifier()
    clf3 = AdaBoostClassifier()
    clf4 = GradientBoostingClassifier()
    clf5 = XGBClassifier()
    clf6 = LGBMClassifier()
    
    for clf, label in zip([clf1, clf2, clf3, clf4, clf5, clf6], [
            'Logistic Regression', 'Random Forest', 'AdaBoost', 'GBDT', 'XGBoost',
            'LightGBM'
    ]):
        start = time.time()
        scores = cross_val_score(clf, X_train, y_train, scoring='accuracy', cv=5)
        end = time.time()
        running_time = end - start
        print("Accuracy: %0.8f (+/- %0.2f),耗时%0.2f秒。模型名称[%s]" %
              (scores.mean(), scores.std(), running_time, label))

Accuracy: 0.47488889 (+/- 0.00),耗时0.04秒。模型名称[Logistic Regression]
    Accuracy: 0.88966667 (+/- 0.01),耗时16.34秒。模型名称[Random Forest]
    Accuracy: 0.88311111 (+/- 0.00),耗时3.39秒。模型名称[AdaBoost]
    Accuracy: 0.91388889 (+/- 0.01),耗时13.14秒。模型名称[GBDT]
    Accuracy: 0.92977778 (+/- 0.00),耗时3.60秒。模型名称[XGBoost]
    Accuracy: 0.93188889 (+/- 0.01),耗时0.58秒。模型名称[LightGBM]

对比了六大模型，可以看出，逻辑回归速度最快，但准确率最低。而LightGBM，速度快，而且准确率最高，所以，现在处理结构化数据的时候，大部分都是用LightGBM算法。

### XGBoost的使用 ###

#### 1.原生XGBoost的使用 ####

import xgboost as xgb
    #记录程序运行时间
    import time
    
    start_time = time.time()
    
    #xgb矩阵赋值
    xgb_train = xgb.DMatrix(X_train, y_train)
    xgb_test = xgb.DMatrix(X_test, label=y_test)
    ##参数
    params = {
        'booster': 'gbtree',
    #     'silent': 1,  #设置成1则没有运行信息输出，最好是设置为0.
        #'nthread':7,# cpu 线程数 默认最大
        'eta': 0.007,  # 如同学习率
        'min_child_weight': 3,
        # 这个参数默认是 1，是每个叶子里面 h 的和至少是多少，对正负样本不均衡时的 0-1 分类而言
        #，假设 h 在 0.01 附近，min_child_weight 为 1 意味着叶子节点中最少需要包含 100 个样本。
        #这个参数非常影响结果，控制叶子节点中二阶导的和的最小值，该参数值越小，越容易 overfitting。
        'max_depth': 6,  # 构建树的深度，越大越容易过拟合
        'gamma': 0.1,  # 树的叶子节点上作进一步分区所需的最小损失减少,越大越保守，一般0.1、0.2这样子。
        'subsample': 0.7,  # 随机采样训练样本
        'colsample_bytree': 0.7,  # 生成树时进行的列采样 
        'lambda': 2,  # 控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。
        #'alpha':0, # L1 正则项参数
        #'scale_pos_weight':1, #如果取值大于0的话，在类别样本不平衡的情况下有助于快速收敛。
        #'objective': 'multi:softmax', #多分类的问题
        #'num_class':10, # 类别数，多分类与 multisoftmax 并用
        'seed': 1000,  #随机种子
        #'eval_metric': 'auc'
    }
    plst = list(params.items())
    num_rounds = 500  # 迭代次数
    watchlist = [(xgb_train, 'train'), (xgb_test, 'val')]

#训练模型并保存
    # early_stopping_rounds 当设置的迭代次数较大时，early_stopping_rounds 可在一定的迭代次数内准确率没有提升就停止训练
    model = xgb.train(
        plst,
        xgb_train,
        num_rounds,
        watchlist,
        early_stopping_rounds=100,
    )
    #model.save_model('./model/xgb.model') # 用于存储训练出的模型
    print("best best_ntree_limit", model.best_ntree_limit)
    y_pred = model.predict(xgb_test, ntree_limit=model.best_ntree_limit)
    print('error=%f' %
          (sum(1
               for i in range(len(y_pred)) if int(y_pred[i] > 0.5) != y_test[i]) /
           float(len(y_pred))))
    # 输出运行时长
    cost_time = time.time() - start_time
    print("xgboost success!", '\n', "cost time:", cost_time, "(s)......")

[0]	train-rmse:1.11000	val-rmse:1.10422
    [1]	train-rmse:1.10734	val-rmse:1.10182
    [2]	train-rmse:1.10465	val-rmse:1.09932
    [3]	train-rmse:1.10207	val-rmse:1.09694

……

[497]	train-rmse:0.62135	val-rmse:0.68680
    [498]	train-rmse:0.62096	val-rmse:0.68650
    [499]	train-rmse:0.62056	val-rmse:0.68624
    best best_ntree_limit 500
    error=0.826667
    xgboost success! 
     cost time: 3.5742645263671875 (s)......

#### 2.使用scikit-learn接口 ####

会改变的函数名是：

eta -> learning\_rate

lambda -> reg\_lambda

alpha -> reg\_alpha

from sklearn.model_selection import train_test_split
    from sklearn import metrics
    
    from xgboost import XGBClassifier
    
    clf = XGBClassifier(
        #     silent=0,  #设置成1则没有运行信息输出，最好是设置为0.是否在运行升级时打印消息。
        #nthread=4,# cpu 线程数 默认最大
        learning_rate=0.3,  # 如同学习率
        min_child_weight=1,
        # 这个参数默认是 1，是每个叶子里面 h 的和至少是多少，对正负样本不均衡时的 0-1 分类而言
        #，假设 h 在 0.01 附近，min_child_weight 为 1 意味着叶子节点中最少需要包含 100 个样本。
        #这个参数非常影响结果，控制叶子节点中二阶导的和的最小值，该参数值越小，越容易 overfitting。
        max_depth=6,  # 构建树的深度，越大越容易过拟合
        gamma=0,  # 树的叶子节点上作进一步分区所需的最小损失减少,越大越保守，一般0.1、0.2这样子。
        subsample=1,  # 随机采样训练样本 训练实例的子采样比
        max_delta_step=0,  #最大增量步长，我们允许每个树的权重估计。
        colsample_bytree=1,  # 生成树时进行的列采样 
        reg_lambda=1,  # 控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。
        #reg_alpha=0, # L1 正则项参数
        #scale_pos_weight=1, #如果取值大于0的话，在类别样本不平衡的情况下有助于快速收敛。平衡正负权重
        #objective= 'multi:softmax', #多分类的问题 指定学习任务和相应的学习目标
        #num_class=10, # 类别数，多分类与 multisoftmax 并用
        n_estimators=100,  #树的个数
        seed=1000  #随机种子
        #eval_metric= 'auc'
    )
    clf.fit(X_train, y_train)
    
    y_true, y_pred = y_test, clf.predict(X_test)
    print("Accuracy : %.4g" % metrics.accuracy_score(y_true, y_pred))

Accuracy : 0.936

### LIghtGBM的使用 ###

#### 1.原生接口 ####

import lightgbm as lgb
    from sklearn.metrics import mean_squared_error
    # 加载你的数据
    # print('Load data...')
    # df_train = pd.read_csv('../regression/regression.train', header=None, sep='\t')
    # df_test = pd.read_csv('../regression/regression.test', header=None, sep='\t')
    #
    # y_train = df_train[0].values
    # y_test = df_test[0].values
    # X_train = df_train.drop(0, axis=1).values
    # X_test = df_test.drop(0, axis=1).values
    
    # 创建成lgb特征的数据集格式
    lgb_train = lgb.Dataset(X_train, y_train)  # 将数据保存到LightGBM二进制文件将使加载更快
    lgb_eval = lgb.Dataset(X_test, y_test, reference=lgb_train)  # 创建验证数据
    
    # 将参数写成字典下形式
    params = {
        'task': 'train',
        'boosting_type': 'gbdt',  # 设置提升类型
        'objective': 'regression',  # 目标函数
        'metric': {'l2', 'auc'},  # 评估函数
        'num_leaves': 31,  # 叶子节点数
        'learning_rate': 0.05,  # 学习速率
        'feature_fraction': 0.9,  # 建树的特征选择比例
        'bagging_fraction': 0.8,  # 建树的样本采样比例
        'bagging_freq': 5,  # k 意味着每 k 次迭代执行bagging
        'verbose': 1  # <0 显示致命的, =0 显示错误 (警告), >0 显示信息
    }
    
    print('Start training...')
    # 训练 cv and train
    gbm = lgb.train(params,
                    lgb_train,
                    num_boost_round=500,
                    valid_sets=lgb_eval,
                    early_stopping_rounds=5)  # 训练数据需要参数列表和数据集
    
    print('Save model...')
    
    gbm.save_model('model.txt')  # 训练后保存模型到文件
    
    print('Start predicting...')
    # 预测数据集
    y_pred = gbm.predict(X_test, num_iteration=gbm.best_iteration
                         )  #如果在训练期间启用了早期停止，可以通过best_iteration方式从最佳迭代中获得预测
    # 评估模型
    print('error=%f' %
          (sum(1
               for i in range(len(y_pred)) if int(y_pred[i] > 0.5) != y_test[i]) /
           float(len(y_pred))))

Start training...
    [LightGBM] [Warning] Auto-choosing col-wise multi-threading, the overhead of testing was 0.000448 seconds.
    You can set `force_col_wise=true` to remove the overhead.
    [LightGBM] [Info] Total Bins 2550
    [LightGBM] [Info] Number of data points in the train set: 9000, number of used features: 10
    [LightGBM] [Info] Start training from score 0.012000
    [1]	valid_0's auc: 0.814399	valid_0's l2: 0.965563
    Training until validation scores don't improve for 5 rounds
    [2]	valid_0's auc: 0.84729	valid_0's l2: 0.934647
    [3]	valid_0's auc: 0.872805	valid_0's l2: 0.905265
    [4]	valid_0's auc: 0.884117	valid_0's l2: 0.877875
    [5]	valid_0's auc: 0.895115	valid_0's l2: 0.852189

……

[191]	valid_0's auc: 0.982783	valid_0's l2: 0.319851
    [192]	valid_0's auc: 0.982751	valid_0's l2: 0.319971
    [193]	valid_0's auc: 0.982685	valid_0's l2: 0.320043
    Early stopping, best iteration is:
    [188]	valid_0's auc: 0.982794	valid_0's l2: 0.319746
    Save model...
    Start predicting...
    error=0.664000

### 2.scikit-learn接口 ###

from sklearn import metrics
    from lightgbm import LGBMClassifier
    
    clf = LGBMClassifier(
        boosting_type='gbdt',  # 提升树的类型 gbdt,dart,goss,rf
        num_leaves=31,  #树的最大叶子数，对比xgboost一般为2^(max_depth)
        max_depth=-1,  #最大树的深度
        learning_rate=0.1,  #学习率
        n_estimators=100,  # 拟合的树的棵树，相当于训练轮数
        subsample_for_bin=200000,
        objective=None,
        class_weight=None,
        min_split_gain=0.0,  # 最小分割增益
        min_child_weight=0.001,  # 分支结点的最小权重
        min_child_samples=20,
        subsample=1.0,  # 训练样本采样率 行
        subsample_freq=0,  # 子样本频率
        colsample_bytree=1.0,  # 训练特征采样率 列
        reg_alpha=0.0,  # L1正则化系数
        reg_lambda=0.0,  # L2正则化系数
        random_state=None,
        n_jobs=-1,
        silent=True,
    )
    clf.fit(X_train, y_train, eval_metric='auc')
    #设置验证集合 verbose=False不打印过程
    clf.fit(X_train, y_train)
    
    y_true, y_pred = y_test, clf.predict(X_test)
    print("Accuracy : %.4g" % metrics.accuracy_score(y_true, y_pred))

Accuracy : 0.927

### 参考 ###

1.https://xgboost.readthedocs.io/

2.https://lightgbm.readthedocs.io/

3.https://blog.csdn.net/q383700092/article/details/53763328?locationNum=9&fps=1