机器学习入门笔记2-XGBoost

最新推荐文章于 2024-05-11 05:19:07 发布

wzygio1

最新推荐文章于 2024-05-11 05:19:07 发布

阅读量229

点赞数

分类专栏：阿里天池机器学习训练营笔记文章标签：机器学习深度学习人工智能

本文链接：https://blog.csdn.net/weixin_43164583/article/details/120135266

版权

阿里天池机器学习训练营笔记专栏收录该内容

2 篇文章 0 订阅

订阅专栏

本文介绍了XGBoost的基本概念、优势与局限，详细讲解了其工作原理，包括泰勒展开的目标函数、CART树的构建优化及并行策略。通过实例展示了数据预处理、特征选择、模型训练与预测的过程。此外，探讨了特征重要性的评估方法，并进行了参数优化，如学习率、子采样和最大深度等，以提高模型性能。

摘要由CSDN通过智能技术生成

XGBoost介绍

XGBoost是一个可供用户轻松解决分类、回归或排序问题的软件包。它内部实现了阶度提升树（GBDT）模型。

优点：简单易用，在处理大规模数据集时速度快效果好，相对于深度学习模型不需要精细调参便能取得相近的效果。
缺点：相对于深度学习模型无法对时空位置建模，不能很好地捕获图像、语音、文本等高维数据。且在拥有海量训练数据，并能找到合适的深度学习模型时，深度学习的精度遥遥领先XGBoost。

XGBoost原理粗略讲解

XGBoost底层实现了GBDT算法，并对GBDT算法做了一系列优化：

对目标函数进行了泰勒展示的二阶展开，可以更加高效拟合误差。
提出了一种估计分裂点的算法加速CART树的构建过程，同时可以处理稀疏数据。
提出了一种树的并行策略加速迭代。
为模型的分布式算法进行了底层优化。

XGBoost是基于CART树的集成模型，它的思想是串联多个决策树模型共同进行决策。

在这里插入图片描述

那么如何串联呢？XGBoost采用迭代预测误差的方法串联。举个通俗的例子，我们现在需要预测一辆车价值3000元。我们构建决策树1训练后预测为2600元，我们发现有400元的误差，那么决策树2的训练目标为400元，但决策树2的预测结果为350元，还存在50元的误差就交给第三棵树……以此类推，每一颗树用来估计之前所有树的误差，最后所有树预测结果的求和就是最终预测结果！

XGBoost的基模型是CART回归树，它有两个特点：（1）CART树，是一颗二叉树。（2）回归树，最后拟合结果是连续值。

XGBoost模型可以表示为以下形式，我们约定 $f_t(x)$ 表示前 $t$ 颗树的和， $h_t(x)$ 表示第 $t$ 颗决策树，模型定义如下：

$f_{t}(x)=\sum_{t=1}^{T} h_{t}(x)$

由于模型递归生成，第 $t$ 步的模型由第 $t - 1$ 步的模型形成，可以写成：

$f_{t}(x)=f_{t-1}(x)+h_{t}(x)$

每次需要加上的树 $h_t(x)$ 是之前树求和的误差：

$r_{t, i}=y_{i}-f_{m-1}\left(x_{i}\right)$

我们每一步只要拟合一颗输出为 $r_{t,i}$ 的CART树加到 $f_{t-1}(x)$ 就可以了。

算法实战

目标：使用历史降雨数据来预测明天会下雨的概率。
数据的特征如下所示：
在这里插入图片描述

1. 准备数据

库函数导入

# 基础函数库
import numpy as np
import pandas as pd

# 绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns

数据载入和查看
pd.read_csv('数据集文件名')：读取数据并将其转换为DataFrame格式

data = pd.read_csv('train.csv')

数据集查看
.info()：查看每列数据的数据类型和个数
.describe()：对特征进行一些统计描述

# 利用.info()查看数据的整体信息
data.info()
data.head()
data.tail()
data.info()

# 查看标签的数量
pd.Series(data['RainTomorrow']).value_counts()

数据预处理
填补空值

data = data.fillna(-1)

对离散变量进行编码：一个特征编码成一个值，便于数学上的处理

## 把所有的相同类别的特征编码为同一个值
def get_mapfunction(x):
    mapp = dict( zip( x.unique().tolist(),range(len(x.unique().tolist())) ) )
    def mapfunction(y):
        if y in mapp:
            return mapp[y]
        else:
            return -1
    return mapfunction

# 内嵌函数的使用方法：传入参数.apply(内嵌函数)，内嵌函数通常由它的外部函数返回。
for i in category_features:
    data[i] = data[i].apply(get_mapfunction(data[i]))

## 编码后的字符串特征变成了数字
data['Location'].unique()
"""
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33,
       34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48])
"""

数据可视化

散点图：通过观察不同特征组合的散点图，判断哪些特征更具有区分能力。（如何衡量区分能力？）

## 选取三个特征与标签组合的散点可视化
sns.pairplot(data=data[['Rainfall',
'Evaporation',
'Sunshine'] + ['RainTomorrow']], diag_kind='hist', hue= 'RainTomorrow')
plt.show()

在这里插入图片描述

箱型图：sns.boxplot()做出不同数字特征下的箱型图（数据分布图）。
首先需要用.dtype()区分数字特征和非数字特征：

# 数字特征
numerical_features = [x for x in data.colomns if data[x].dtype == np.float]
# 非数字特征
category_features = [x for x in data.columns if data[x].dtype != np.float and x != "RainTomorrow"]

# 数据相对于特征分布图
for col in data[numerical_features].columns:
	if col != 'RainTomorrow':
		sns.boxplot(x='RainTomorrow', y=col, saturation=0.5, palette='pastel', data=data)
		plt.title(col)
		plt.show()

在这里插入图片描述
（其余特征的箱型图略）
3. 条形图
对每一个特征进行分类计数：对每一个类别使用value_counts()得到一个Series，将该Series作为元素添加到字典中

# 对每一个类别使用value_counts()得到一个Series，将该Series作为元素添加到字典中
tlog = {}
for i in category_features:
    tlog[i] = data[data['RainTomorrow'] == 'Yes'][i].value_counts()
flog = {}
for i in category_features:
    flog[i] = data[data['RainTomorrow'] == 'No'][i].value_counts()

作图：
x = pd.DataFrame(tlog['Location']).sort_index()['Location']：先取出tlog字典中的’Location’元素并转换成DataFrame，在对其按照’Location’进行排序得到一个series
y = pd.DataFrame(tlog['Location']).sort_index().index：得到序列中的每个索引值

plt.figure(figsize=(10,10))
plt.subplot(1,2,1)
plt.title('RainTomorrow')
# x = pd.DataFrame(tlog['Location']).sort_index()['Location']：先取出tlog字典中的'Location'元素并转换成DataFrame，在对其按照'Location'进行排序得到一个series
# y = pd.DataFrame(tlog['Location']).sort_index().index：得到序列中的每个索引值
sns.barplot(x = pd.DataFrame(tlog['Location']).sort_index()['Location'], y = pd.DataFrame(tlog['Location']).sort_index().index, color = "red")
plt.subplot(1,2,2)
plt.title('Not RainTomorrow')
sns.barplot(x = pd.DataFrame(flog['Location']).sort_index()['Location'], y = pd.DataFrame(flog['Location']).sort_index().index, color = "blue")
plt.show()

在这里插入图片描述
可以发现不同地区的降雨情况差别很大，有的地方明显降雨更多。

2. 模型训练与预测

模型训练

## 为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。
from sklearn.model_selection import train_test_split

## 选择其类别为0和1的样本 （不包括类别为2的样本）
data_target_part = data['RainTomorrow']
data_features_part = data[[x for x in data.columns if x != 'RainTomorrow']]

## 测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(data_features_part, data_target_part, test_size = 0.2, random_state = 2020)

## 导入XGBoost模型
from xgboost.sklearn import XGBClassifier
## 定义 XGBoost模型 
clf = XGBClassifier()
# 在训练集上训练XGBoost模型
clf.fit(x_train, y_train)

模型预测

## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the training set is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the testing set is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

在这里插入图片描述

3. 特征选择：通过特征的重要程度进行选择

模型名.feature_importances_：特征的重要程度

sns.barplot(y=data_features_part.columns, x=clf.feature_importances_)

在这里插入图片描述
我们还可以使用XGBoost中的下列重要属性来评估特征的重要性。

weight:是以特征用到的次数来评价
gain:当利用特征做划分的时候的评价基尼指数
cover:利用一个覆盖样本的指标二阶导数（具体原理不清楚有待探究）平均值来划分。
total_gain:总基尼指数
total_cover:总覆盖

XGBoost中直接提供参数重要程度的可视化方法plot_importance(模型，importance_type='指数类型')

from sklearn.metrics import accuracy_score
from xgboost import plot_importance

# 参数为模型和特征集
def estimate(model,data):

    #sns.barplot(data.columns,model.feature_importances_)
    ax1=plot_importance(model,importance_type="gain")
    ax1.set_title('gain')
    ax2=plot_importance(model, importance_type="weight")
    ax2.set_title('weight')
    ax3 = plot_importance(model, importance_type="cover")
    ax3.set_title('cover')
    plt.show()

# 参数为训练特征集，训练标签集和测试集
def classes(data,label,test):
    model=XGBClassifier()
    model.fit(data,label)
    ans=model.predict(test)
    estimate(model, data)
    return ans
 
ans=classes(x_train,y_train,x_test)
print('acc=',accuracy_score(y_test,ans))

在这里插入图片描述

4. 参数优化

除了使用最优化算法优化weight和bias之外，我们还可以对一些模型的特定参数（术语叫什么来着？）进行优化来提高模型的预测准确度。

XGBoost中包括但不限于下列对模型影响较大的参数：

learning_rate: 有时也叫作eta，系统默认值为0.3。每一步迭代的步长，很重要。太大了运行准确率不高，太小了运行速度慢。
subsample：系统默认为1。这个参数控制对于每棵树，随机采样的比例。减小这个参数的值，算法会更加保守，避免过拟合, 取值范围零到一。
colsample_bytree：系统默认值为1。我们一般设置成0.8左右。用来控制每棵随机采样的列数的占比(每一列是一个特征)。
max_depth：系统默认值为6，我们常用3-10之间的数字。这个值为树的最大深度。这个值是用来控制过拟合的。max_depth越大，模型学习的更加具体。

调节模型参数的方法有贪心算法、网格调参、贝叶斯调参等。

这里我们采用网格调参，它的基本思想是穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。
训练模型 = GridSearchCV(模型名, 参数字典, cv=3, scoring='accuracy', verbose=1, n_jobs=-1)

## 从sklearn库中导入网格调参函数
from sklearn.model_selection import GridSearchCV

## 定义参数取值范围
learning_rate = [0.1, 0.3, 0.6]
subsample = [0.8, 0.9]
colsample_bytree = [0.6, 0.8]
max_depth = [3,5,8]

parameters = { 'learning_rate': learning_rate,
              'subsample': subsample,
              'colsample_bytree':colsample_bytree,
              'max_depth': max_depth}
model = XGBClassifier(n_estimators = 50)

## 进行网格搜索
clf = GridSearchCV(model, parameters, cv=3, scoring='accuracy',verbose=1,n_jobs=-1)
clf = clf.fit(x_train, y_train)

## 网格搜索后的最好参数为
clf.best_params_

是由调参后的模型进行预测，查看优化效果：

## 在训练集和测试集上分布利用最好的模型参数进行预测

## 定义带参数的 XGBoost模型 
clf = XGBClassifier(colsample_bytree = 0.6, learning_rate = 0.3, max_depth= 8, subsample = 0.9)
# 在训练集上训练XGBoost模型
clf.fit(x_train, y_train)

train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)

## 利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print('The accuracy of the training set is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the testing set is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()