Адрес этой статьи на гитхабе:1-1 Вызовы базовой модели., который будет записывать содержание вашего собственного конкурса kaggle, добро пожаловать, чтобы начать и следить.
адрес команды:Начало работы с библиотекой xgboost
# 开启多行显示
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
# InteractiveShell.ast_node_interactivity = "last_expr"
# 显示图片
%matplotlib inline
%config InlineBackend.figure_format = 'retina'
исследование данных
Форма данных в XGBoost может быть libsvm. Функция libsvm заключается в оптимизации разреженных функций. Возьмем пример:
1 101:1.2 102:0.03
0 1:2.1 10001:300 10002:400
0 2:1.2 1212:21 7777:2
Каждая строка представляет собой образец, начало каждой строки равно 0, 1 представляет собой метку, а следующее представляет собой индекс функции: числовое значение, остальные не представлены равные 0.
Мы берем пример с оценки того, является ли гриб ядовитым или нет, чтобы провести последующее обучение. Набор данных взят из:архив.ICS.UCI.quote/beauty/machine-…, в котором у грибов 22 атрибута.После обработки этих исходных признаков получаются 126-мерные признаки и сохраняются в формате libsvm.На метке указано, ядовит ли гриб. из которых 6513 образцов используются для обучения и 1611 образцов используются для тестирования.
import xgboost as xgb
from sklearn.metrics import accuracy_score
DMatrix is a internal data structure that used by XGBoost which is optimized for both memory efficiency and training speed.
Источником данных для DMatrix может бытьstring/numpy array/scipy.sparse/pd.DataFrame, если это строка, путь к файлу libsvm или путь к двоичному файлу, доступному для чтения xgboost.
data_fold = "./data/"
dtrain = xgb.DMatrix(data_fold + "agaricus.txt.train")
dtest = xgb.DMatrix(data_fold + "agaricus.txt.test")
Проверить данные
(dtrain.num_col(),dtrain.num_row())
(dtest.num_col(),dtest.num_row())
(127, 6513)
(127, 1611)
обучение модели
Основные настройки параметров:
- max_depth: максимальная глубина дерева. Значение по умолчанию — 6, диапазон значений: [1,∞]
- eta: размер шага уменьшения, используемый в процессе обновления для предотвращения переобучения. eta делает процесс вычисления бустинга более консервативным за счет уменьшения веса функций. Значение по умолчанию — 0,3, диапазон значений: [0,1]
- тихий: 0 означает распечатать информацию о времени выполнения, а 1 означает работать в тихом режиме без вывода информации о времени выполнения. Значение по умолчанию – 0.
- цель: определить задачу обучения и соответствующую цель обучения, «бинарная: логистика» представляет проблему логистической регрессии бинарной классификации, а выходом является вероятность.
param = {'max_depth':2, 'eta':1, 'silent':0, 'objective':'binary:logistic' }
%time
# 设置boosting迭代计算次数
num_round = 2
bst = xgb.train(param, dtrain, num_round)
CPU times: user 0 ns, sys: 0 ns, total: 0 ns
Wall time: 65.6 µs
Здесь выход модели представляет собой значение вероятности, которое мы конвертируем в значение 0-1 перед вычислением точности.
train_preds = bst.predict(dtrain)
train_predictions = [round(value) for value in train_preds]
y_train = dtrain.get_label()
train_accuracy = accuracy_score(y_train, train_predictions)
print ("Train Accuary: %.2f%%" % (train_accuracy * 100.0))
Train Accuary: 97.77%
Наконец, мы смотрим на точность модели на тестовом наборе.
preds = bst.predict(dtest)
predictions = [round(value) for value in preds]
y_test = dtest.get_label()
test_accuracy = accuracy_score(y_test, predictions)
print("Test Accuracy: %.2f%%" % (test_accuracy * 100.0))
Test Accuracy: 97.83%
from matplotlib import pyplot
import graphviz
xgb.to_graphviz(bst, num_trees=0 )
pyplot.show()
формат интерфейса scikit-learn
from xgboost import XGBClassifier
from sklearn.datasets import load_svmlight_file
my_workpath = './data/'
X_train,y_train = load_svmlight_file(my_workpath + 'agaricus.txt.train')
X_test,y_test = load_svmlight_file(my_workpath + 'agaricus.txt.test')
# 设置boosting迭代计算次数
num_round = 2
#bst = XGBClassifier(**params)
#bst = XGBClassifier()
bst =XGBClassifier(max_depth=2, learning_rate=1, n_estimators=num_round,
silent=True, objective='binary:logistic')
bst.fit(X_train, y_train)
XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,
colsample_bytree=1, gamma=0, learning_rate=1, max_delta_step=0,
max_depth=2, min_child_weight=1, missing=None, n_estimators=2,
n_jobs=1, nthread=None, objective='binary:logistic', random_state=0,
reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=None,
silent=True, subsample=1)
# 训练集上准确率
train_preds = bst.predict(X_train)
train_predictions = [round(value) for value in train_preds]
train_accuracy = accuracy_score(y_train, train_predictions)
print ("Train Accuary: %.2f%%" % (train_accuracy * 100.0))
Train Accuary: 97.77%
# 测试集上准确率
# make prediction
preds = bst.predict(X_test)
predictions = [round(value) for value in preds]
test_accuracy = accuracy_score(y_test, predictions)
print("Test Accuracy: %.2f%%" % (test_accuracy * 100.0))
Test Accuracy: 97.83%
Использование cv в scikit-learn
Следующая функция StratifiedKFold в основном используется для перекрестной проверки.
# 设置boosting迭代计算次数
num_round = 2
bst =XGBClassifier(max_depth=2, learning_rate=0.1,n_estimators=num_round,
silent=True, objective='binary:logistic')
from sklearn.model_selection import StratifiedKFold
from sklearn.model_selection import cross_val_score
kfold = StratifiedKFold(n_splits=10, random_state=7)
results = cross_val_score(bst, X_train, y_train, cv=kfold)
print(results)
print("CV Accuracy: %.2f%% (%.2f%%)" % (results.mean()*100, results.std()*100))
[ 0.69478528 0.85276074 0.95398773 0.97235023 0.96006144 0.98771121
1. 1. 0.96927803 0.97695853]
CV Accuracy: 93.68% (9.00%)
GridSearchcv поиск оптимального решения
from sklearn.model_selection import GridSearchCV
bst =XGBClassifier(max_depth=2, learning_rate=0.1, silent=True, objective='binary:logistic')
%time
param_grid = {
'n_estimators': range(1, 51, 1)
}
clf = GridSearchCV(bst, param_grid, "accuracy",cv=5)
clf.fit(X_train, y_train)
CPU times: user 0 ns, sys: 0 ns, total: 0 ns
Wall time: 24.3 µs
clf.best_params_, clf.best_score_
({'n_estimators': 30}, 0.98418547520343924)
## 在测试集合上测试
#make prediction
preds = clf.predict(X_test)
predictions = [round(value) for value in preds]
test_accuracy = accuracy_score(y_test, predictions)
print("Test Accuracy of gridsearchcv: %.2f%%" % (test_accuracy * 100.0))
Test Accuracy of gridsearchcv: 97.27%
early-stop
Мы установили проверочный набор, и когда мы обнаружили, что частота ошибок в проверочном наборе увеличилась в процессе итерации, мы заранее остановили итерацию.
from sklearn.model_selection import train_test_split
seed = 7
test_size = 0.33
X_train_part, X_validate, y_train_part, y_validate= train_test_split(X_train, y_train, test_size=test_size,
random_state=seed)
X_train_part.shape
X_validate.shape
(4363, 126)
(2150, 126)
# 设置boosting迭代计算次数
num_round = 100
bst =XGBClassifier(max_depth=2, learning_rate=0.1, n_estimators=num_round, silent=True, objective='binary:logistic')
eval_set =[(X_validate, y_validate)]
bst.fit(X_train_part, y_train_part, early_stopping_rounds=10, eval_metric="error",
eval_set=eval_set, verbose=True)
[0] validation_0-error:0.048372
Will train until validation_0-error hasn't improved in 10 rounds.
[1] validation_0-error:0.042326
[2] validation_0-error:0.048372
[3] validation_0-error:0.042326
[4] validation_0-error:0.042326
[5] validation_0-error:0.042326
[6] validation_0-error:0.023256
[7] validation_0-error:0.042326
[8] validation_0-error:0.042326
[9] validation_0-error:0.023256
[10] validation_0-error:0.006512
[11] validation_0-error:0.017674
[12] validation_0-error:0.017674
[13] validation_0-error:0.017674
[14] validation_0-error:0.017674
[15] validation_0-error:0.017674
[16] validation_0-error:0.017674
[17] validation_0-error:0.017674
[18] validation_0-error:0.024651
[19] validation_0-error:0.020465
[20] validation_0-error:0.020465
Stopping. Best iteration:
[10] validation_0-error:0.006512
Мы можем визуализировать приведенную выше частоту ошибок, что нам удобно для более интуитивного наблюдения.
results = bst.evals_result()
#print(results)
epochs = len(results['validation_0']['error'])
x_axis = range(0, epochs)
# plot log loss
fig, ax = pyplot.subplots()
ax.plot(x_axis, results['validation_0']['error'], label='Test')
ax.legend()
pyplot.ylabel('Error')
pyplot.xlabel('Round')
pyplot.title('XGBoost Early Stop')
pyplot.show()
# 测试集上准确率
# make prediction
preds = bst.predict(X_test)
predictions = [round(value) for value in preds]
test_accuracy = accuracy_score(y_test, predictions)
print("Test Accuracy: %.2f%%" % (test_accuracy * 100.0))
Test Accuracy: 97.27%
кривая обучения
# 设置boosting迭代计算次数
num_round = 100
# 没有 eraly_stop
bst =XGBClassifier(max_depth=2, learning_rate=0.1, n_estimators=num_round, silent=True, objective='binary:logistic')
eval_set = [(X_train_part, y_train_part), (X_validate, y_validate)]
bst.fit(X_train_part, y_train_part, eval_metric=["error", "logloss"], eval_set=eval_set, verbose=True)
# retrieve performance metrics
results = bst.evals_result()
#print(results)
epochs = len(results['validation_0']['error'])
x_axis = range(0, epochs)
# plot log loss
fig, ax = pyplot.subplots()
ax.plot(x_axis, results['validation_0']['logloss'], label='Train')
ax.plot(x_axis, results['validation_1']['logloss'], label='Test')
ax.legend()
pyplot.ylabel('Log Loss')
pyplot.title('XGBoost Log Loss')
pyplot.show()
# plot classification error
fig, ax = pyplot.subplots()
ax.plot(x_axis, results['validation_0']['error'], label='Train')
ax.plot(x_axis, results['validation_1']['error'], label='Test')
ax.legend()
pyplot.ylabel('Classification Error')
pyplot.title('XGBoost Classification Error')
pyplot.show()
# make prediction
preds = bst.predict(X_test)
predictions = [round(value) for value in preds]
test_accuracy = accuracy_score(y_test, predictions)
print("Test Accuracy: %.2f%%" % (test_accuracy * 100.0))
Test Accuracy: 99.81%