笔记整理时间:2016年12月29日
整理者:王小草
欢迎关注:
王小草的FM喜马拉雅主播频道:搜索账号名“好吧我真的叫王草”
王小草的个人微信公众号:bigdataML
王小草的CSDN博客地址:http://my.csdn.net/sinat_33761963
2016年的最后第三天,终于有阳光,连续一个月的咳嗽终于见好。
这是及其忙碌的一年,忙着适应从学校到社会的血腥,忙着在车水马龙的竞争里立足安身,忙着屈服于又抗争于的生活。
在整理“提升”算法的笔记时,我想每年的自己多像一个基函数,在梯度里不断塑造下一个更好的自己,直到实现目标函数最优才停止迭代。而生活不像函数,至少在百年之前,都不愿停止寻找更优。
1. XGBoost介绍
XGBoost的作者是华盛顿大学陈天奇。
XGBoost是使用梯度提升框架实现的高效,灵活,可移植的机器学习库。它的全称是eXtreme Gradient Boosting,是GDBT的一个C++实现。它将树的生成并行完成,从而提高学习速度。
一般而言,XGBoost的速度和性能优于sklearn.ensemble.GradientBoostingClassifer类。
XGBoost提供了python接口,它在机器学习的竞赛仲纷纷表现出来优异的成绩,其他学者封装了R和Julia等接口。
XGBoost的官网:
https://xgboost.readthedocs.io/en/latest/
github上代码的地址:
https://github.com/dmlc/xgboost/
2. Ubantu安装XGBoost
在各种系统上的安装官网上有详细介绍:
https://xgboost.readthedocs.io/en/latest/build.html
因为我平时学习与工作环境都是在ubantu上的,本文主要介绍ubantu系统安装XGBoost。
非常简单,就两个命令:
第一步:在github上把XGBoost工程克隆到本地计算机上,可以创建一个专门的目录,然后进入这个目录运行以下命令:
git clone --recursive https://github.com/dmlc/xgboost
根据网络的好坏,下载需要一点点时间,我大概是花了5分钟。
第二步:进入工程,然后编译。
cd xgboost
make -j4
编译的过程大概不到1分钟吧。
编译成功的画面:
注意:
我机子上有2个python版本,一个是安装anoconda中带着的python,一个是我自己下载python来单独安装的。我的系统默认的是后者,所以以上安装的XGBoost是安装在默认的python中的。
现在我打开pycharm,输入import xgboost as xgb,并没有红色波浪线的报错,表示可以成功使用了!
3.XGBoost实践
安装好了之后,我们来尝试着学习与使用这个工具。以下介绍一些从简到繁的案例。
3.1 官网get start小案例
官方文档分别给出了4中语言的小例子,这里只讲解python的。
样本数据说明:
读取的数据是工程里自带的数据,在工程目录下的/demo/data/文件夹下。打开数据文件,格式是这样的:
1 3:1 10:1 11:1 21:1 30:1 34:1 36:1 40:1 41:1 53:1 58:1 65:1 69:1 77:1 86:1 88:1 92:1 95:1 102:1 105:1 117:1 124:1
0 3:1 10:1 20:1 21:1 23:1 34:1 36:1 39:1 41:1 53:1 56:1 65:1 69:1 77:1 86:1 88:1 92:1 95:1 102:1 106:1 116:1 120:1
0 1:1 10:1 19:1 21:1 24:1 34:1 36:1 39:1 42:1 53:1 56:1 65:1 69:1 77:1 86:1 88:1 92:1 95:1 102:1 106:1 116:1 122:1
1 3:1 9:1 19:1 21:1 30:1 34:1 36:1 40:1 42:1 53:1 58:1 65:1 69:1 77:1 86:1 88:1 92:1 95:1 102:1 105:1 117:1 124:1
0 3:1 10:1 14:1 22:1 29:1 34:1 37:1 39:1 41:1 54:1 58:1 65:1 69:1 77:1 86:1 88:1 92:1 95:1 98:1 106:1 114:1 120:1
每一行是一个观测样本,第一列是label,后面的列都是特征,一个特征由特征的索引,冒号,特征值组成,列与列之间是用空格隔开的。
在某样本点中没有出现的特征索引,说明该处特征值维0,也就是说,整个数据是一个稀疏的矩阵,所以只存储不为0的数据。
数据读取说明:
直接将path传入xgb.DMtrix()中,会将数据变成DMtrix的格式,这是一个XGBoost自己定义的数据格式(就像numpy中有ndarray, pandas中有dataframe数据格式一样)。这个格式会将第一列作为label,其余的作为features。
参数说明ÿ