机器学习实践(1.1)XGBoost分类任务

赫加青空

已于 2023-06-21 20:59:41 修改

阅读量1.8k

点赞数 1

分类专栏：机器学习 Python 文章标签：机器学习分类 sklearn

于 2023-06-16 18:00:31 首次发布

本文链接：https://blog.csdn.net/LMTX069/article/details/131199963

版权

Python 同时被 2 个专栏收录

18 篇文章 8 订阅

订阅专栏

机器学习

11 篇文章 5 订阅

订阅专栏

前言

XGBoost属于Boosting集成学习模型，由华盛顿大学陈天齐博士提出，因在机器学习挑战赛中大放异彩而被业界所熟知。相比越来越流行的深度神经网络，XGBoost能更好的处理表格数据，并具有更强的可解释性，还具有易于调参、输入数据不变性等优势。本文只做XGBoost分类任务的脚本实现，更多XGBoost内容请查看文末附加——深入学习XGBoost

❤️ 本文完整脚本点此链接百度网盘链接获取 ❤️

机器学习实践(1.2)XGBoost回归任务

结论先行：
当使用 from xgboost import XGBClassifier 的模型进行训练时，使用的是sklearn中的XGBClassifier类，该方法中无需特意指定分类类别，方法自带类别数量n_classes_的计算，并根据数量指定了objective参数，简而言之：该方法会自动判别是多分类还是二分类任务，无需特殊说明。

之所以特殊强调from xgboost import XGBClassifier 是要区别于import xgboost as xgb 的调用，本人更建议使用前者。

下方代码取自 sklearn.py 的 class XGBClassifier(XGBModel, XGBClassifierBase)…

# 计算类别数量
import cupy as cp  # pylint: disable=E0401

self.classes_ = cp.unique(y.values)
self.n_classes_ = len(self.classes_)

......

# objective参数的选择
if callable(self.objective):
   obj: Optional[
       Callable[[np.ndarray, DMatrix], Tuple[np.ndarray, np.ndarray]]
   ] = _objective_decorator(self.objective)
   # Use default value. Is it really not used ?
   params["objective"] = "binary:logistic"
else:
   obj = None

if self.n_classes_ > 2:
   # Switch to using a multiclass objective in the underlying XGB instance
   if params.get("objective", None) != "multi:softmax":
       params["objective"] = "multi:softprob"
   params["num_class"] = self.n_classes_

一.轻松实现多分类

1.1导入第三方库、数据集

# 导入第三方库，包括分类模型、数据集、数据集分割方法、评估方法
from xgboost import XGBClassifier  # 分类模型
from sklearn import datasets  # 数据集
from sklearn.model_selection import train_test_split  # 数据集分割方法
from sklearn.metrics import accuracy_score, roc_auc_score, precision_score, recall_score, f1_score, \
    classification_report  # 评估方法
import xgboost as xgb

# 导入sklearn的鸢尾花卉数据集，作为模型的训练和验证数据
data = datasets.load_iris()

# 数据划分,按照7 3分切割数据集为训练集和验证集，其中最终4个结果依次为训练数据、验证数据、训练数据的标签、验证数据的标签
X_train, X_test, y_train, y_test = train_test_split(data.data, data.target, test_size=0.3,random_state=123)

sklearn的鸢尾花卉数据集共150个数据样本，73切分后，训练集105个数据样本，验证集45个数据样本。数据集中包括样本特征data（4个特征）、样本标签target（3类标签）、标签名称target_names（[‘setosa’, ‘versicolor’, ‘virginica’]）、特征名称feature_names（[‘sepal length (cm)’, ‘sepal width (cm)’, ‘petal length (cm)’, ‘petal width (cm)’]）、以及数据集位置filename（~~~\anaconda\lib\site-packages\sklearn\datasets\data\iris.csv）

数据集的部分特征数据如下：
在这里插入图片描述
数据集的标签数据及标签名称如下：
数据集文件所在本地地址，其他波士顿房价等数据也在此文件夹下

1.2模型训练、验证

# 默认参数的模型
model = XGBClassifier()

# 调参见 附加1 的文章内容
# model = XGBClassifier(booster='gbtree',
#                       n_estimators=20,  # 迭代次数
#                       learning_rate=0.1,  # 步长
#                       max_depth=5,  # 树的最大深度
#                       min_child_weight=1,  # 决定最小叶子节点样本权重和
#                       subsample=0.8,  # 每个决策树所用的子样本占总样本的比例（作用于样本）
#                       colsample_bytree=0.8,  # 建立树时对特征随机采样的比例（作用于特征）典型值：0.5-1
#                       nthread=4,  # 线程数
#                       seed=27,  # 指定随机种子，为了复现结果
#                       # num_class=4,  # 标签类别数
#                       # objective='multi:softmax',  # 多分类
#                       )

# 模型训练
model.fit(X_train, y_train, verbose=True)

# 模型对验证数据做预测 y_pred 预测结果，y_proba 预测各类别概率，y_pred 是softmax(y_proba) 的结果 
y_pred = model.predict(X_test)
y_proba = model.predict_proba(X_test)

# 为了便于观察验证数据的预测结果，写个循环传个参
for m, n, p in zip(y_proba, y_pred, y_test):
    if n == p:
        q = '预测正确'
    else:
        q = '预测错误'
        print('预测概率为{0}, 预测概率为{1}, 真是结果为{2}, {3}'.format(m, n, p, q))

# 准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy：%.2f%%' % (accuracy * 100))

打印运行结果如下
在这里插入图片描述

二.实现二分类同样简单

2.1导入数据集、训练、验证

导入数据集、训练、验证与多分类完全一样，唯一需要改变的是将数据标签由n_classes>2转为n_classes=2

# 数据划分
X_train, X_test, y_train, y_test = ......  
# 接

# 训练集和验证集的标签都改成0和1
y_train = [1 if y > 0 else 0 for y in y_train]

y_test = [1 if y > 0 else 0 for y in y_test]

# 计算训练数据类别
n_classes = len(set(y_train))

# 接
# 默认参数的模型
model = XGBClassifier()
......

2.2再做模型训练和验证

内容与1.2完全一致，不再赘述，直接看结果
二分类任务预测概率有两个，预测概率通过sigmoid做出预测结果。多分类预测概率有多个，预测概率通过softmax做出预测结果。
在这里插入图片描述

2.3重要结论映证

"""模型参数打印"""
bst = xgb.Booster(model_file='xgb_classifier_model.model')
# print(bst.attributes())

print('模型参数值-开始'.center(20, '='))
for attr_name, attr_value in bst.attributes().items():
    # scikit_learn 的参数逐一解析
    if attr_name == 'scikit_learn':
        import json
        dict_attr = json.loads(attr_value)
        # 打印 模型 scikit_learn 参数
        for sl_name, sl_value in dict_attr.items():
            if sl_value is not None:
                print(f"{sl_name}:{sl_value}")
    else:
        print(f"{attr_name}:{attr_value}")
print('模型参数值-结束'.center(20, '='))

下图展示model = XGBClassifier()未指定参数情况下，模型的参数情况打印，其中objective和classes_参数映证了最前面的结论。
在这里插入图片描述

三.模型评估

评估方法更详细解释，见附加3的文章内容

def metrics_sklearn(class_num, y_valid, y_pred_, y_prob):
    """模型效果评估"""
    # 准确率
    # 准确度 accuracy_score:分类正确率分数，函数返回一个分数，这个分数或是正确的比例，或是正确的个数，不考虑正例负例的问题，区别于 precision_score
    # 一般不直接使用准确率，主要是因为类别不平衡问题，如果大部分是negative的 而且大部分模型都很容易判别出来，那准确率都很高， 没有区分度，也没有实际意义(因为negative不是我们感兴趣的)
    accuracy = accuracy_score(y_valid, y_pred_)
    print('Accuracy：%.2f%%' % (accuracy * 100))

    # 精准率
    if class_num == 2:
        precision = precision_score(y_valid, y_pred_)
    else:
        precision = precision_score(y_valid, y_pred_, average='macro')
    print('Precision：%.2f%%' % (precision * 100))

    # 召回率
    # 召回率/查全率R recall_score:预测正确的正样本占预测正样本的比例， TPR 真正率
    # 在二分类任务中，召回率表示被分为正例的个数占所有正例个数的比例；如果是多分类的话，就是每一类的平均召回率
    if class_num == 2:
        recall = recall_score(y_valid, y_pred_)
    else:
        recall = recall_score(y_valid, y_pred_, average='macro')
    print('Recall：%.2f%%' % (recall * 100))

    # F1值
    if class_num == 2:
        f1 = f1_score(y_valid, y_pred_)
    else:
        f1 = f1_score(y_valid, y_pred_, average='macro')
    print('F1：%.2f%%' % (f1 * 100))

    # auc曲线下面积
    # 曲线下面积 roc_auc_score 计算AUC的值，即输出的AUC（二分类任务中 auc 和 roc_auc_score 数值相等）
    # 计算auc，auc就是曲线roc下面积，这个数值越高，则分类器越优秀。这个曲线roc所在坐标轴的横轴是FPR，纵轴是TPR。
    # 真正率：TPR = TP/P = TP/(TP+FN)、假正率：FPR = FP/N = FP/(FP+TN)
    # auc:不支持多分类任务 计算ROC曲线下的面积
    # 二分类问题直接用预测值与标签值计算：auc = roc_auc_score(Y_test, Y_pred)
    # 多分类问题概率分数 y_prob：auc = roc_auc_score(Y_test, Y_pred_prob, multi_class='ovo') 其中multi_class必选
    if class_num == 2:
        auc = roc_auc_score(y_valid, y_pred_)
    else:
        auc = roc_auc_score(y_valid, y_prob, multi_class='ovo')
        # auc = roc_auc_score(y_valid, y_prob, multi_class='ovr')
    print('AUC：%.2f%%' % (auc * 100))

    # 评估效果报告
    print(classification_report(y_test, y_pred, target_names=['0:setosa', '1:versicolor', '2:virginica']))


"""模型效果评估"""
n_classes = len(set(y_train))
metrics_sklearn(n_classes, y_test, y_pred, y_proba)

多分类模型效果评估结果入下图所示
在这里插入图片描述
本文完整脚本可通过百度网盘链接获取

机器学习实践(1.2)XGBoost回归任务

附加——深入学习XGBoost

附加1.模型调参、训练、保存、评估和预测

见《XGBoost模型调参、训练、评估、保存和预测》，包含模型脚本文件

附加2.算法原理

见《XGBoost算法原理及基础知识》，包括集成学习方法，XGBoost模型、目标函数、算法，公式推导等

附加3.分类任务的评估指标值详解

见《分类任务评估1——推导sklearn分类任务评估指标》，其中包含了详细的推理过程；
见《分类任务评估2——推导ROC曲线、P-R曲线和K-S曲线》，其中包含ROC曲线、P-R曲线和K-S曲线的推导与绘制；

附加4.模型中树的绘制和模型理解

见《Graphviz绘制模型树1——软件配置与XGBoost树的绘制》，包含Graphviz软件的安装和配置，以及to_graphviz()和plot_trees()两个画图函数的部分使用细节；
见《Graphviz绘制模型树2——XGBoost模型的可解释性》，从模型中的树着手解释XGBoost模型，并用EXCEL构建出模型。