win64+anaconda+xgboost(转)

Windows下安装python版的XGBoost（Anaconda）

    

     XGBoost是近年来很受追捧的机器学习算法，由华盛顿大学的陈天奇提出，在国内外的很多大赛中取得很不错的名次，要具体了解该模型，可以移步 GitHub，本文介绍其在Widows系统下基于Git的python版本的安装方法。

 

    需要用到三个软件：

• python软件（本文基于Anaconda，因为自带很多库，比较方便）
• Git for Windows
• MINGW

    假设都已经安装好了Anaconda，建议安装python2版本的，虽然python3也可以，但python2较为主流。再安装Git，装完之后在开始菜单里打开Git Bash，首先新建一个文件夹xgboostCode用于存放代码和下载文件，然后在刚刚打开的Bash终端中输入下面命令，定位目录。

$ cd /c/Users/xgboostCode/

注意：cd后边有空格。

 

然后用下面的命令从GitHub下载XGBoost。

$ git clone --recursive https://github.com/dmlc/xgboost  
$ cd xgboost  
$ git submodule init  
$ git submodule update

还需要下载64位的编译器MinGW-W64来编译下载的代码，上面已经提供下载地址。安装的界面如下：

 

    然后选择x86_64的Architecture，其他的选项默认。

    按照指示完成安装，我电脑安装的路径为 C:\Program Files\mingw-w64\x86_64-5.3.0-posix-seh-rt_v4-rev0 。然后将C:\Program Files\mingw-w64\x86_64-5.3.0-posix-seh-rt_v4-rev0\mingw64\bin这个文件夹的路径添加到自己电脑的环境变量中去，具体步骤。
  关闭Git Bash终端，再次打开，刚刚添加的路径变量就生效了，输入以下命令检查效果：

$ which mingw32-make

 如果得到类似下面的结果，就说明配置成功了。

/c/Program Files/mingw-w64/x86_64-5.3.0-posix-seh-rt_v4-rev0/mingw64/bin/mingw32-make

    再输入下面的命令：

$ alias make='mingw32-make'

下面就可以安装XGBoost了，首先定位到下载它的路径：

$ cd /c/Users/xgboostCode/xgboost

官方给的安装指导可能不成功，我们需要用下面的命令逐个地编译子模块：

$ cd dmlc-core  
$ make -j4  
$ cd ../rabit  
$ make lib/librabit_empty.a -j4  
$ cd ..  
$ cp make/mingw64.mk config.mk  
$ make -j4  

执行完成之后就可以在Anaconda中安装XGBoost的python模块了。在电脑的开始菜单中打开Anaconda Prompt，输入下面命令：

cd xgboostCode\xgboost\python-package 

然后输入安装命令：

python setup.py install
    安装已经完成，但在调用XGBoost之前，还应该将g++的运行库路径导入到os环境路径变量中，在Anaconda中打开Ipython，或者在python的命令行里，分别输入下面的命令：

import os  
mingw_path = 'C:\\Program Files\\mingw-w64\\x86_64-5.3.0-posix-seh-rt_v4-rev0\\mingw64\\bin'  
os.environ['PATH'] = mingw_path + ';' + os.environ['PATH']  

下面新建一个python文件，导入XGBoost，并测试下面的代码：

import numpy as np  
import xgboost as xgb  
data = np.random.rand(5,10) # 5 entities, each contains 10 features  
label = np.random.randint(2, size=5) # binary target  
dtrain = xgb.DMatrix( data, label=label)  
  
dtest = dtrain  
  
param = {'bst:max_depth':2, 'bst:eta':1, 'silent':1, 'objective':'binary:logistic' }  
param['nthread'] = 4  
param['eval_metric'] = 'auc'  
  
evallist  = [(dtest,'eval'), (dtrain,'train')]  
  
num_round = 10  
bst = xgb.train( param, dtrain, num_round, evallist )  
  
bst.dump_model('dump.raw.txt') 

输出：

[0]    eval-auc:0.5    train-auc:0.5
[1]    eval-auc:0.5    train-auc:0.5
[2]    eval-auc:0.5    train-auc:0.5
[3]    eval-auc:0.5    train-auc:0.5
[4]    eval-auc:0.5    train-auc:0.5
[5]    eval-auc:0.5    train-auc:0.5
[6]    eval-auc:0.5    train-auc:0.5
[7]    eval-auc:0.5    train-auc:0.5
[8]    eval-auc:0.5    train-auc:0.5
[9]    eval-auc:0.5    train-auc:0.5

 如果可以正常运行，那么恭喜你！安装成功~

 

转自：http://blog.csdn.net/leo_xu06/article/details/52300869