-
XGBoost处理回归问题,它的基模型是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。基于天气数据集的XGBoost分类实践:(数据集,问题分析思路来自阿里云天池课堂)
-
Step1: 库函数导入
-
Step2: 数据读取/载入
-
Step3: 数据信息简单查看
-
Step4: 可视化描述
-
Step5: 对离散变量进行编码
-
Step6: 利用 XGBoost 进行训练与预测
-
Step7: 利用 XGBoost 进行特征选择
-
Step8: 通过调整参数获得更好的效果
-
-
基于天气数据集的XGBoost分类实战机器学习原理与实践 -AI学习-阿里云天池 (aliyun.com)
-
在实践的最开始,我们首先需要导入一些基础的函数库包括:numpy (Python进行科学计算的基础软件包),pandas(pandas是一种快速,强大,灵活且易于使用的开源数据分析和处理工具),matplotlib和seaborn绘图。本次我们选择天气数据集进行方法的尝试训练,现在有一些由气象站提供的每日降雨数据,我们需要根据历史降雨数据来预测明天会下雨的概率。样例涉及到的测试集数据test.csv与train.csv的格式完全相同,但其RainTomorrow未给出,为预测变量。机器学习算法[六]:基于天气数据集的XGBoost分类预测 - Heywhale.com
-
数据的各个特征描述如下:
-
特征名称 意义 取值范围 Date 日期 字符串 Location 气象站的地址 字符串 MinTemp 最低温度 实数 MaxTemp 最高温度 实数 Rainfall 降雨量 实数 Evaporation 蒸发量 实数 Sunshine 光照时间 实数 WindGustDir 最强的风的方向 字符串 WindGustSpeed 最强的风的速度 实数 WindDir9am 早上9点的风向 字符串 WindDir3pm 下午3点的风向 字符串 WindSpeed3pm 下午3点的风速 实数 Humidity9am 早上9点的湿度 实数 Humidity3pm 下午3点的湿度 实数 Pressure9am 早上9点的大气压 实数 Pressure3pm 早上3点的大气压 实数 Cloud9am 早上9点的云指数 实数 Cloud3pm 早上3点的云指数 实数 Temp9am 早上9点的温度 实数 Temp3pm 早上3点的温度 实数 RainToday 今天是否下雨 No,Yes RainTomorrow 明天是否下雨 No,Yes
-
-
-
## 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 ## 我们利用Pandas自带的read_csv函数读取并转化为DataFrame格式 data = pd.read_csv('./data/train.csv') ## 利用.info()查看数据的整体信息 data.info()
-
进行简单的数据查看,我们可以利用 .head() 头部.tail()尾部
-
data.head()
-
这里我们发现数据集中存在NaN,一般的我们认为NaN在数据集中代表了缺失值,可能是数据采集或处理时产生的一种错误。这里我们采用-1将缺失值进行填补,还有其他例如“中位数填补、平均数填补”的缺失值处理方法有兴趣的同学也可以尝试。
-
data = data.fillna(-1) data.tail()
-
利用value_counts函数查看训练集标签的数量
-
pd.Series(data['RainTomorrow']).value_counts()
-
No 82786 Yes 23858 Name: RainTomorrow, dtype: int64
-
-
我们发现数据集中的负样本数量远大于正样本数量,这种常见的问题叫做“数据不平衡”问题,在某些情况下需要进行一些特殊处理。
-
## 对于特征进行一些统计描述 data.describe()
-
-
可视化描述 为了方便,我们先纪录数字特征与非数字特征:
-
numerical_features = [x for x in data.columns if data[x].dtype == np.float64] category_features = [x for x in data.columns if data[x].dtype != np.float64 and x != 'RainTomorrow'] ## 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()
-
-
从上图可以发现,在2D情况下不同的特征组合对于第二天下雨与不下雨的散点分布,以及大概的区分能力。相对的Sunshine与其他特征的组合更具有区分能力.
-
for col in data[numerical_features].columns: print(col) if col != 'RainTomorrow': sns.boxplot(x='RainTomorrow', y=col, saturation=0.5, palette='pastel', data=data) plt.title(col) plt.show()
-
-
利用箱型图我们也可以得到不同类别在不同特征上的分布差异情况。我们可以发现Sunshine,Humidity3pm,Cloud9am,Cloud3pm的区分能力较强:
-
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() plt.figure(figsize=(15,10)) plt.subplot(1,2,1) plt.title('RainTomorrow') 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()
-
-
从上图可以发现不同地区降雨情况差别很大,有些地方明显更容易降雨
-
plt.figure(figsize=(10,2)) plt.subplot(1,2,1) plt.title('RainTomorrow') sns.barplot(x = pd.DataFrame(tlog['RainToday'][:2]).sort_index()['RainToday'], y = pd.DataFrame(tlog['RainToday'][:2]).sort_index().index, color = "red") plt.subplot(1,2,2) plt.title('Not RainTomorrow') sns.barplot(x = pd.DataFrame(flog['RainToday'][:2]).sort_index()['RainToday'], y = pd.DataFrame(flog['RainToday'][:2]).sort_index().index, color = "blue") plt.show()
-
-
上图我们可以发现,今天下雨明天不一定下雨,但今天不下雨,第二天大概率也不下雨。
-
对离散变量进行编码:由于XGBoost无法处理字符串类型的数据,我们需要一些方法讲字符串数据转化为数据。一种最简单的方法是把所有的相同类别的特征编码成同一个值,例如女=0,男=1,狗狗=2,所以最后编码的特征值是在特征数量[0,特征数-1]之间的整数。除此之外,还有独热编码、求和编码、留一法编码等等方法可以获得更好的效果。
-
## 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 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], dtype=int64)
-
-
利用 XGBoost 进行训练与预测
-
## 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 = 2023) #查看标签数据 print(y_train[0:2],y_test[0:2]) # 替换Yes为1,No为0 y_train = y_train.replace({'Yes': 1, 'No': 0}) y_test = y_test.replace({'Yes': 1, 'No': 0}) # 打印修改后的结果 print(y_train[0:2],y_test[0:2])
-
62535 No 6705 No Name: RainTomorrow, dtype: object 35532 No 68563 No Name: RainTomorrow, dtype: object 62535 0 6705 0 Name: RainTomorrow, dtype: int64 35532 0 68563 0 Name: RainTomorrow, dtype: int64
-
-
导入XGBoost模型,先不用设置参数,后面网格搜索之后在作参数
-
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) ## 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 Logistic Regression is:',metrics.accuracy_score(y_train,train_predict)) print('The accuracy of the Logistic Regression 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()
-
-
利用 XGBoost 进行特征选择
-
# XGBoost的特征选择属于特征选择中的嵌入式方法,在XGboost中可以用属性feature_importances_去查看特征的重要度。 sns.barplot(y=data_features_part.columns, x=clf.feature_importances_)
-
-
从图中我们可以发现下午3点的湿度与今天是否下雨是决定第二天是否下雨最重要的因素。除此之外,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
-
from sklearn.metrics import accuracy_score from xgboost import plot_importance 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() 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) pre=accuracy_score(y_test, ans) print('acc=',accuracy_score(y_test,ans))
-
这些图同样可以帮助我们更好的了解其他重要特征。
-
-
通过调整参数获得更好的效果,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。
-
核心参数调优
-
eta[默认0.3] 通过为每一颗树增加权重,提高模型的鲁棒性。 典型值为0.01-0.2;
-
min_child_weight[默认1] 决定最小叶子节点样本权重和。 这个参数可以避免过拟合。当它的值较大时,可以避免模型学习到局部的特殊样本。 但是如果这个值过高,则会导致模型拟合不充分。
-
max_depth[默认6] 这个值也是用来避免过拟合的。max_depth越大,模型会学到更具体更局部的样本。 典型值:3-10.
-
max_leaf_nodes 树上最大的节点或叶子的数量。 可以替代max_depth的作用。 这个参数的定义会导致忽略max_depth参数。
-
gamma[默认0] 在节点分裂时,只有分裂后损失函数的值下降了,才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。 这个参数的值越大,算法越保守。这个参数的值和损失函数息息相关。
-
max_delta_step[默认0] 这参数限制每棵树权重改变的最大步长。如果这个参数的值为0,那就意味着没有约束。如果它被赋予了某个正值,那么它会让这个算法更加保守。 但是当各类别的样本十分不平衡时,它对分类问题是很有帮助的。
-
subsample[默认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。但是,如果这个值设置得过小,它可能会导致欠拟合。 典型值:0.5-1
-
colsample_bytree[默认1] 用来控制每棵随机采样的列数的占比(每一列是一个特征)。 典型值:0.5-1
-
colsample_bylevel[默认1] 用来控制树的每一级的每一次分裂,对列数的采样的占比。 subsample参数和colsample_bytree参数可以起到相同的作用,一般用不到。
-
.lambda[默认1] 权重的L2正则化项。(和Ridge regression类似)。 这个参数是用来控制XGBoost的正则化部分的。虽然大部分数据科学家很少用到这个参数,但是这个参数在减少过拟合上还是可以挖掘出更多用处的。
-
alpha[默认1] 权重的L1正则化项。(和Lasso regression类似)。 可以应用在很高维度的情况下,使得算法的速度更快。
-
scale_pos_weight[默认1] 在各类别样本十分不平衡时,把这个参数设定为一个正值,可以使算法更快收敛。
-
-
-
网格调参法【机器学习笔记】【随机森林】【乳腺癌数据上的调参】_n_estimators_桜キャンドル淵的博客-CSDN博客
-
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:
-
## 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,] subsample = [0.8] colsample_bytree = [0.6, 0.8] max_depth = [3,5] parameters = { 'learning_rate': learning_rate, 'subsample': subsample, 'colsample_bytree':colsample_bytree, 'max_depth': max_depth} model = XGBClassifier(n_estimators = 20) ## 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_
-
{'colsample_bytree': 0.8, 'learning_rate': 0.3, 'max_depth': 5, 'subsample': 0.8}
-
-
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 = 0.8, learning_rate = 0.3, max_depth= 5, subsample = 0.8) # 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 Logistic Regression is:',metrics.accuracy_score(y_train,train_predict)) print('The accuracy of the Logistic Regression 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()
-
-
XGBoost的主要优缺点:
-
简单易用。相对其他机器学习库,用户可以轻松使用XGBoost并获得相当不错的效果。高效可扩展。在处理大规模数据集时速度快效果好,对内存等硬件资源要求不高。鲁棒性强。相对于深度学习模型不需要精细调参便能取得接近的效果。XGBoost内部实现提升树模型,可以自动处理缺失值。
-
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。在拥有海量训练数据,并能找到合适的深度学习模型时,深度学习的精度可以遥遥领先XGBoost。
-
【机器学习算法实践】基于XGBoost的分类预测,运用好模型的基础是做好特征工程,寻找属性之间的关系。运用好模型还得调参
最新推荐文章于 2024-05-15 06:21:20 发布