机器学习xgboost实战—手写数字识别（DMatrix）

最新推荐文章于 2024-04-10 10:54:57 发布

mishidemudong

最新推荐文章于 2024-04-10 10:54:57 发布

阅读量2.1w

点赞数 9

分类专栏： python 工具包机器学习

机器学习同时被 2 个专栏收录

256 篇文章 16 订阅

订阅专栏

python 工具包

134 篇文章 6 订阅

订阅专栏

目录(?)[-]

1、xgboost 安装

安装问题这里就不再做赘述，可参考前面写的博文：
http://blog.csdn.net/eddy_zheng/article/details/50184563

2、手写数字识别

这里先说明下，xgboost用作手写字符的分类效果并不是最好的，这里仅仅作为一个教学的实例。本文中用的数据集来自kaggle 的新手入门数字识别（https://www.kaggle.com/c/digit-recognizer），我用 xgboost 实现的准确率只有95%+（并未调参，可能并未得到最佳的效果）。用深度学习 CNN 来做，可以达到99%+。

在数据建模中，当我们有数个连续值特征时，Boosting分类器是最常用的非线性分类器。它将成百上千个分类准确率较低的树模型组合起来，成为一个准确率很高的模型。这个模型会不断地迭代，每次迭代就生成一颗新的树。然而，在数据集较大较复杂的时候，我们可能需要几千次迭代运算，这将造成巨大的计算瓶颈。xgboost正是为了解决这个瓶颈而提出。单机它采用多线程来加速树的构建，

因此，写这篇博文知识为了让初次使用xgboost的朋友能够更快的上手。

2.1数据获取

数据集放在这里了，下载对应的手写数字的 train.csv与test.csv。以后相关数据集都放到这里，持续更新：
http://blog.csdn.net/Eddy_zheng/article/details/50496194

2.2 代码实现

基于python实现的，代码阅读可能需要一点python的功底，不过关于xgboost的参数我都尽力做了解释，都是自己学习的见解，有不准确的地方大家可以指出，共同学习。当然要更深刻的理解参数，可以看看xgboost的理论推导，了解每个参数是怎么来的？用来做什么都的？
官方地址（http://xgboost.readthedocs.org/en/latest/parameter.html）

#coding=utf-8
"""
Created on 2015/12/25
By Eddy_zheng
"""
import xgboost as xgb
import pandas as pd
import time 
import numpy as np


now = time.time()

dataset = pd.read_csv("../input/train.csv") # 注意自己数据路径

train = dataset.iloc[:,1:].values
labels = dataset.iloc[:,:1].values

tests = pd.read_csv("../input/test.csv") # 注意自己数据路径
#test_id = range(len(tests))
test = tests.iloc[:,:].values


params={
'booster':'gbtree',
# 这里手写数字是0-9，是一个多类的问题，因此采用了multisoft多分类器，
'objective': 'multi:softmax', 
'num_class':10, # 类数，与 multisoftmax 并用
'gamma':0.05,  # 在树的叶子节点下一个分区的最小损失，越大算法模型越保守 。[0:]
'max_depth':12, # 构建树的深度 [1:]
#'lambda':450,  # L2 正则项权重
'subsample':0.4, # 采样训练数据，设置为0.5，随机选择一般的数据实例 (0:1]
'colsample_bytree':0.7, # 构建树树时的采样比率 (0:1]
#'min_child_weight':12, # 节点的最少特征数
'silent':1 ,
'eta': 0.005, # 如同学习率
'seed':710,
'nthread':4,# cpu 线程数,根据自己U的个数适当调整
}

plst = list(params.items())

#Using 10000 rows for early stopping. 
offset = 35000  # 训练集中数据50000，划分35000用作训练，15000用作验证

num_rounds = 500 # 迭代你次数
xgtest = xgb.DMatrix(test)

# 划分训练集与验证集 
xgtrain = xgb.DMatrix(train[:offset,:], label=labels[:offset])
xgval = xgb.DMatrix(train[offset:,:], label=labels[offset:])

# return 训练和验证的错误率
watchlist = [(xgtrain, 'train'),(xgval, 'val')]


# training model 
# 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, xgtrain, num_rounds, watchlist,early_stopping_rounds=100)
#model.save_model('./model/xgb.model') # 用于存储训练出的模型
preds = model.predict(xgtest,ntree_limit=model.best_iteration)

# 将预测结果写入文件，方式有很多，自己顺手能实现即可
np.savetxt('submission_xgb_MultiSoftmax.csv',np.c_[range(1,len(test)+1),preds],
                delimiter=',',header='ImageId,Label',comments='',fmt='%d')


cost_time = time.time()-now
print "end ......",'\n',"cost time:",cost_time,"(s)......"