xgboost做二分类，多分类以及回归任务

2019-09-26 本文已影响0人文一休

【lightgbm/xgboost/nn代码整理二】xgboost做二分类，多分类以及回归任务

1.简介

该部分是代码整理的第二部分，为了方便一些初学者调试代码，作者已将该部分代码打包成一个工程文件，包含简单的数据处理、xgboost配置、五折交叉训练和模型特征重要性打印四个部分。数据处理部分参考：代码整理一，这里只介绍不同的部分。本文主要是介绍一些重点的参数部分，一是方便自己以后再次查询，也希望帮助一些初学者快速的使用该项目，应用到自己的工程或者比赛中。如果只是想要阅读代码，可直接移步到尾部链接。

2. 数据处理

data = pd.concat([train_data, test_data])
cate_feature = ['gender', 'cell_province', 'id_province', 'id_city', 'rate', 'term']
for item in cate_feature:
    data[item] = LabelEncoder().fit_transform(data[item])
    item_dummies = pd.get_dummies(data[item])
    item_dummies.columns = [item + str(i + 1) for i in range(item_dummies.shape[1])]
    data = pd.concat([data, item_dummies], axis=1)
data.drop(cate_feature,axis=1,inplace=True)

该部分在lightgbm中只进行了labelEncoder编码处理，然后通过categorical_feature变量处理，在lightgbm中使用了类别特征的最优切分进行了处理，具体详情参考:柯国霖大佬的回答。xgboost中没有对类别特征做处理，这里对其进行了onehot编码处理。而在工程中，如果类别过多，我一般会放弃进行onehot，主要是由于进行onehot会导致特征过于稀疏，运算速度变慢，严重影响模型的迭代速度，并且最终对结果提升很有限,我通常只会进行labelEncoder, 也可以对特征进行embeding处理。

3.模型

3.1 参数

和lightgbm一样，xgboost也是使用key-value字典的方式存储参数，下面给出的事二分类的参数

params = {
    'booster': 'gbtree',
    'objective': 'binary:logistic',
    'eval_metric': 'auc',
    'gamma': 0.1,
    'max_depth': 8,
    'alpha': 0,
    'lambda': 0,
    'subsample': 0.7,
    'colsample_bytree': 0.5,
    'min_child_weight': 3,
    'silent': 0,
    'eta': 0.03,
    'nthread': -1,
    'seed': 2019,
}

objective：目标函数
- 二分类：常用的是binary:logistic
- 多分类：multi:softmax,当是多分类任务时需要指定类别数量，eg:'num_class':33;
- 回归任务：reg:linear
eval_metric：评价函数，如果该参数没有指定，缺省值是通过目标函数来做匹配，
- 二分类：常用auc和logloss
- 多分类：mlogloss
- 回归任务：均方误差：mse，均方根误差：rmse, 平均绝对值误差：mae
gamma：用于控制是否后剪枝的参数,越大越保守，一般0.1、0.2这样子
max_depth：树的深度，对结果影响较大，越深越容易过拟合
alpha：L1正则，树的深度过大时，可以适大该参数
lambda：L2正则
subsample：随机采样的比率，通俗理解就是选多少样本做为训练集，选择小于1的比例可以减少方差，即防止过拟合
colsample_bytree：这里是选择多少列作为训练集，具体的理解就是选择多少特征
min_child_weight：决定最小叶子节点样本权重和。当它的值较大时，可以避免模型学习到局部的特殊样本。但如果这个值过高，会导致欠拟合
eta：学习率
silent: 是否打印训练过程中的信息，0表示打印，1反之
nthread：运行的线程数，-1所有线程，该值需要根据具体情况调整，线程对最终结果有一点影响，曾今测试，线程越多，结果会变差一丢丢
seed：这个随机指定一个常数，防止每次结果不一致

3.2 五折交叉

folds = KFold(n_splits=5, shuffle=True, random_state=2019)

采用五折交叉统计实际就是训练多个模型和平均值融合，如果时间允许的情况下10折交叉会好于5折。5折交叉还可以采用StratifiedKFold做切分。

3.3 数据加载

XGBoost可以加载多种数据格式的训练数据：libsvm 格式的文本数据、Numpy 的二维数组、XGBoost 的二进制的缓存文件。加载的数据存储在对象 DMatrix 中，而llightgbm是存储在Dataset中

trn_data = xgb.DMatrix(train_x.iloc[trn_idx], label=train_y[trn_idx])
val_data = xgb.DMatrix(train_x.iloc[val_idx], label=train_y[val_idx])

3.4 训练和预测

##训练部分
watchlist = [(trn_data, 'train'), (val_data, 'valid')]
clf = xgb.train(params, trn_data, num_round, watchlist, verbose_eval=200, early_stopping_rounds=200)

##预测部分
test_pred_prob += clf.predict(xgb.DMatrix(test), ntree_limit=clf.best_ntree_limit) / folds.n_splits

params：参数字典
trn_data ：训练的数据
num_round：迭代次数
watchlist：这是一个列表，用于对训练过程中进行评估列表中的元素。形式是evals =[(dtrain,’train’),(dval,’val’)]或者是evals =[(dtrain,’train’)],对于第一种情况，它使得我们可以在训练过程中观察验证集的效果。
verbose_eval：如果为True ,则对evals中元素的评估结果会输出在结果中；如果输入数字，假设为5，则每隔5个迭代输出一次。
ntree_limit：验证集中最好的结果做预测

4.模型重要性

模型重要性是根据树模型中该特征的分裂次数做统计的，可以基于此重要性来判断特种的重要程度，深入的挖掘特征，具体代码如下：

##保存特征重要性
fold_importance_df = pd.DataFrame()
fold_importance_df["Feature"] = clf.get_fscore().keys()
fold_importance_df["importance"] = clf.get_fscore().values()
fold_importance_df["fold"] = fold_ + 1
feature_importance_df = pd.concat([feature_importance_df, fold_importance_df], axis=0)

##特征重要性显示
## plot feature importance
cols = (feature_importance_df[["Feature", "importance"]] 
        .groupby("Feature").mean().
        sort_values(by="importance", ascending=False).index)
best_features = feature_importance_df.loc[feature_importance_df.Feature.isin(cols)]
                                .sort_values(by='importance',ascending=False)
plt.figure(figsize=(8, 15))
sns.barplot(y="Feature", x="importance",
            data=best_features.sort_values(by="importance", ascending=False))
plt.title('LightGBM Features (avg over folds)')
plt.tight_layout()
plt.savefig('../../result/xgb_importances.png')

在lightgbm中对应的事clf.feature_importance()函数，而在xgboost中对应的是clf.get_fscore()函数。如果特征过多无法完成显示，可以只取topN显示，如只显示top5

cols = (feature_importance_df[["Feature", "importance"]].groupby("Feature").mean()
        .sort_values(by="importance", ascending=False)[:5].index)

5.小总结

xgboost和lightgbm对比，它的速度会慢很多，使用也没有lighgbm方便，但是可以将xgboost训练的结果和lightgbm做融合，提升最终的结果。

代码地址：data_mining_models

写在最后

关注公号:

AI成长社
ML与DL的成长圣地。
知乎专栏：ML与DL成长之路