xgboost安装使用（anaconda中）

本人使用windows系统下的anocaonda的版本为Anaconda2-4.0.0-Windows-x86_64.exe，自带python版本python2.7.13。
通过conda install py-xgboost命令就可以进行安装
通过conda list命令我们可以查看安装的所有库。
然后直接运行下面的测试例子用出错，

*找不到要加载的dll库，这时候我们需要重要的一步就是配置F:\anaconda\install\Library\mingw-w64\bin
环境变量到path中，然后就可以正常运行*

# !/usr/bin/python
# -*- encoding:utf-8 -*-

import xgboost as xgb
import numpy as np
from sklearn.tree import DecisionTreeClassifier

# 1、xgBoost的基本使用
# 2、自定义损失函数的梯度和二阶导
# 3、binary:logistic/logitraw


# 定义f: theta * x
def g_h(y_hat, y):
    p = 1.0 / (1.0 + np.exp(-y_hat))#   看着像sigmoid函数啊
    g = p - y.get_label()
    h = p * (1.0-p)#sigmoid函数的导数
    return g, h


def error_rate(y_hat, y):
    return 'error', float(sum(y.get_label() != (y_hat > 0.5))) / len(y_hat)


if __name__ == "__main__":
    # 读取数据
    data_train = xgb.DMatrix('train.txt')
    data_test = xgb.DMatrix('test.txt')
    print data_train
    print type(data_train)

    # 设置参数
    # eta：为了防止过拟合，更新过程中用到的收缩步长。在每次提升计算之后，算法会直接获得新特征的权重。 eta通过缩减特征的权重使提升计算过程更加保守。缺省值为0.3，取值范围为：[0,1]，通常最后设置eta为0.01~0.2
    #silent：取0时表示打印出运行时信息，取1时表示以缄默方式运行，不打印运行时的信息。缺省值为0
    #objective：目标函数reg:linear    reg:logistic  binary:logistic   binary:logitraw等
    #evals:如果有评价数据，可以提前终止程序，这样可以找到最优的迭代次数。如果要提前终止程序必须至少有一个评价数据在参数evals中
    param = {'max_depth': 3, 'eta': 1, 'silent': 1, 'objective': 'binary:logistic'} # logitraw
    # param = {'max_depth': 3, 'eta': 0.3, 'silent': 1, 'objective': 'reg:logistic'}
    watchlist = [(data_test, 'eval'), (data_train, 'train')]
    n_round = 7
    # bst = xgb.train(param, data_train, num_boost_round=n_round, evals=watchlist)
    bst = xgb.train(param, data_train, num_boost_round=n_round, evals=watchlist, obj=g_h, feval=error_rate)

    # 计算错误率
    y_hat = bst.predict(data_test)
    y = data_test.get_label()
    print y_hat
    print y
    error = sum(y != (y_hat > 0.5))
    error_rate = float(error) / len(y_hat)
    print '样本总数：\t', len(y_hat)
    print '错误数目：\t%4d' % error
    print '错误率：\t%.5f%%' % (100*error_rate)