XGBoost解决多分类问题
写在前面的话
XGBoost官方给的二分类问题的例子是区别蘑菇有无毒,数据集和代码都可以在xgboost中的demo文件夹对应找到,我是用的Anaconda安装的XGBoost,实现起来比较容易。唯一的梗就是在终端中运行所给命令: ../../xgboost mushroom.conf 时会报错,是路径设置的问题,所以我干脆把xgboost文件夹下的xgboost.exe拷到了mushroom.conf配置文件所在文件夹下,这样直接定位到该文件夹下就可以运行: xgboost mushroom.conf。二分类数据预处理,也就是data wraggling部分的代码有一定的借鉴意义,值得一看。
多分类问题给的例子是根据34个特征识别6种皮肤病,由于终端中运行runexp.sh没有反应,也不报错,所以我干脆把数据集下载到对应的demo文件夹下了,主要的代码如下,原来有部分比较难懂的语句我自己加了一些注释,这样理解起来就会顺畅多了。
-
- import numpy as np
- import xgboost as xgb
-
-
-
- data = np.loadtxt('./dermatology.data', delimiter=',',converters={33: lambda x:int(x == '?'), 34: lambda x:int(x)-1 } )
- sz = data.shape
-
- train = data[:int(sz[0] * 0.7), :]
- test = data[int(sz[0] * 0.7):, :]
-
- train_X = train[:,0:33]
- train_Y = train[:, 34]
-
-
- test_X = test[:,0:33]
- test_Y = test[:, 34]
-
- xg_train = xgb.DMatrix( train_X, label=train_Y)
- xg_test = xgb.DMatrix(test_X, label=test_Y)
-
- param = {}
-
- param['objective'] = 'multi:softmax'
-
- param['eta'] = 0.1
- param['max_depth'] = 6
- param['silent'] = 1
- param['nthread'] = 4
- param['num_class'] = 6
-
- watchlist = [ (xg_train,'train'), (xg_test, 'test') ]
- num_round = 5
- bst = xgb.train(param, xg_train, num_round, watchlist );
-
- pred = bst.predict( xg_test );
-
- print ('predicting, classification error=%f' % (sum( int(pred[i]) != test_Y[i] for i in range(len(test_Y))) / float(len(test_Y)) ))
-
-
- param['objective'] = 'multi:softprob'
- bst = xgb.train(param, xg_train, num_round, watchlist );
-
-
- yprob = bst.predict( xg_test ).reshape( test_Y.shape[0], 6 )
- ylabel = np.argmax(yprob, axis=1)
-
- print ('predicting, classification error=%f' % (sum( int(ylabel[i]) != test_Y[i] for i in range(len(test_Y))) / float(len(test_Y)) ))
结果如下:
- [0] train-merror:0.011719 test-merror:0.127273
- [1] train-merror:0.015625 test-merror:0.127273
- [2] train-merror:0.011719 test-merror:0.109091
- [3] train-merror:0.007812 test-merror:0.081818
- [4] train-merror:0.007812 test-merror:0.090909
- predicting, classification error=0.090909
- [0] train-merror:0.011719 test-merror:0.127273
- [1] train-merror:0.015625 test-merror:0.127273
- [2] train-merror:0.011719 test-merror:0.109091
- [3] train-merror:0.007812 test-merror:0.081818
- [4] train-merror:0.007812 test-merror:0.090909
- predicting, classification error=0.090909
不管是直接返回诊断类型,还是返回各类型的概率,然后取概率最大的那个对应的类型的index,结果都是一样的。
结语
强烈建议大家使用python notebook来实现代码,当有不明白的代码时看一下执行后的结果能帮助我们很快理解。同时要感叹一下,
看大神们的代码感觉好牛X,对我这个XGBoost paper看过两遍还没能完全领略算法精髓的人来说只能拿来主义了,希望后面有机会去读一读算法源码。