python環境下xgboost的安裝與使用

轉載自：https://www.cnblogs.com/viczhangyuetao/p/7766940.html

xgboost是大規模並行boosted tree的工具，它是目前最快最好的開源boosted tree工具包，比常見的工具包快10倍以上。在數據科學方面，有大量kaggle選手選用它進行數據挖掘比賽，其中包括兩個以上kaggle比賽的奪冠方案。在工業界規模方面，xgboost的分佈式版本有廣泛的可移植性，支持在YARN, MPI, Sungrid Engine等各個平臺上面運行，並且保留了單機並行版本的各種優化，使得它可以很好地解決於工業界規模的問題。

本文就主要介紹一下xgboost在python環境中的安裝與使用。

首先安裝XGBoost的C++版本，然後進入源文件的根目錄下的 wrappers文件夾執行如下腳本安裝Python模塊

python setup.py install

下載網址： https://github.com/dmlc/xgboost，（windows環境下安裝需要先進行編譯）

使用方法：

1.數據導入

數據格式樣例

 

導入方法爲：

 

        dtrain = xgb.DMatrix('train.txt')
        dtest = xgb.DMatrix('test.txt')

 2.參數設置

1         param = {'booster':'gbtree','max_depth':10, 'eta':0.3, 'silent':1, 'num_class':2,'objective':'multi:softprob' }
2         watchlist  = [(dtest,'test'), (dtrain,'train')]

設置參數並調整，設置驗證數據集

參數解釋：

Parameter for Tree Booster

• eta [default=0.3] 
  • 爲了防止過擬合，更新過程中用到的收縮步長。在每次提升計算之後，算法會直接獲得新特徵的權重。 eta通過縮減特徵的權重使提升計算過程更加保守。缺省值爲0.3
  • 取值範圍爲：[0,1]
• gamma [default=0] 
  • minimum loss reduction required to make a further partition on a leaf node of the tree. the larger, the more conservative the algorithm will be.
  • range: [0,∞]
• max_depth [default=6] 
  • 數的最大深度。缺省值爲6
  • 取值範圍爲：[1,∞]
• min_child_weight [default=1] 
  • 孩子節點中最小的樣本權重和。如果一個葉子節點的樣本權重和小於min_child_weight則拆分過程結束。在現行迴歸模型中，這個參數是指建立每個模型所需要的最小樣本數。該成熟越大算法越conservative
  • 取值範圍爲: [0,∞]
• max_delta_step [default=0] 
  • Maximum delta step we allow each tree’s weight estimation to be. If the value is set to 0, it means there is no constraint. If it is set to a positive value, it can help making the update step more conservative. Usually this parameter is not needed, but it might help in logistic regression when class is extremely imbalanced. Set it to value of 1-10 might help control the update
  • 取值範圍爲：[0,∞]
• subsample [default=1] 
  • 用於訓練模型的子樣本佔整個樣本集合的比例。如果設置爲0.5則意味着XGBoost將隨機的衝整個樣本集合中隨機的抽取出50%的子樣本建立樹模型，這能夠防止過擬合。
  • 取值範圍爲：(0,1]
• colsample_bytree [default=1] 
  • 在建立樹時對特徵採樣的比例。缺省值爲1
  • 取值範圍：(0,1]

Parameter for Linear Booster

• lambda [default=0] 
  • L2 正則的懲罰係數
• alpha [default=0] 
  • L1 正則的懲罰係數
• lambda_bias 
  • 在偏置上的L2正則。缺省值爲0（在L1上沒有偏置項的正則，因爲L1時偏置不重要）

Task Parameters

• objective [ default=reg:linear ] 
  • 定義學習任務及相應的學習目標，可選的目標函數如下：
  • “reg:linear” –線性迴歸。
  • “reg:logistic” –邏輯迴歸。
  • “binary:logistic” –二分類的邏輯迴歸問題，輸出爲概率。
  • “binary:logitraw” –二分類的邏輯迴歸問題，輸出的結果爲wTx。
  • “count:poisson” –計數問題的poisson迴歸，輸出結果爲poisson分佈。
  • 在poisson迴歸中，max_delta_step的缺省值爲0.7。(used to safeguard optimization)
  • “multi:softmax” –讓XGBoost採用softmax目標函數處理多分類問題，同時需要設置參數num_class（類別個數）
  • “multi:softprob” –和softmax一樣，但是輸出的是ndata * nclass的向量，可以將該向量reshape成ndata行nclass列的矩陣。沒行數據表示樣本所屬於每個類別的概率。
  • “rank:pairwise” –set XGBoost to do ranking task by minimizing the pairwise loss
• base_score [ default=0.5 ] 
  • the initial prediction score of all instances, global bias
• eval_metric [ default according to objective ] 
  • 校驗數據所需要的評價指標，不同的目標函數將會有缺省的評價指標（rmse for regression, and error for classification, mean average precision for ranking）
  • 用戶可以添加多種評價指標，對於Python用戶要以list傳遞參數對給程序，而不是map參數list參數不會覆蓋’eval_metric’
  • The choices are listed below:
  • “rmse”: root mean square error
  • “logloss”: negative log-likelihood
  • “error”: Binary classification error rate. It is calculated as #(wrong cases)/#(all cases). For the predictions, the evaluation will regard the instances with prediction value larger than 0.5 as positive instances, and the others as negative instances.
  • “merror”: Multiclass classification error rate. It is calculated as #(wrong cases)/#(all cases).
  • “mlogloss”: Multiclass logloss
  • “auc”: Area under the curve for ranking evaluation.
  • “ndcg”:Normalized Discounted Cumulative Gain
  • “map”:Mean average precision
  • “ndcg@n”,”map@n”: n can be assigned as an integer to cut off the top positions in the lists for evaluation.
  • “ndcg-“,”map-“,”ndcg@n-“,”map@n-“: In XGBoost, NDCG and MAP will evaluate the score of a list without any positive samples as 1. By adding “-” in the evaluation metric XGBoost will evaluate these score as 0 to be consistent under some conditions. 
    training repeatively
• seed [ default=0 ] 
  • 隨機數的種子。缺省值爲0

Console Parameters

The following parameters are only used in the console version of xgboost 
* use_buffer [ default=1 ] 
- 是否爲輸入創建二進制的緩存文件，緩存文件可以加速計算。缺省值爲1 
* num_round 
- boosting迭代計算次數。 
* data 
- 輸入數據的路徑 
* test:data 
- 測試數據的路徑 
* save_period [default=0] 
- 表示保存第i*save_period次迭代的模型。例如save_period=10表示每隔10迭代計算XGBoost將會保存中間結果，設置爲0表示每次計算的模型都要保持。 
* task [default=train] options: train, pred, eval, dump 
- train：訓練明顯 
- pred：對測試數據進行預測 
- eval：通過eval[name]=filenam定義評價指標 
- dump：將學習模型保存成文本格式 
* model_in [default=NULL] 
- 指向模型的路徑在test, eval, dump都會用到，如果在training中定義XGBoost將會接着輸入模型繼續訓練 
* model_out [default=NULL] 
- 訓練完成後模型的保持路徑，如果沒有定義則會輸出類似0003.model這樣的結果，0003是第三次訓練的模型結果。 
* model_dir [default=models] 
- 輸出模型所保存的路徑。 
* fmap 
- feature map, used for dump model 
* name_dump [default=dump.txt] 
- name of model dump file 
* name_pred [default=pred.txt] 
- 預測結果文件 
* pred_margin [default=0] 
- 輸出預測的邊界，而不是轉換後的概率

3.模型訓練

1         bst = xgb.train(param, dtrain, num_round, watchlist)
2         precision = bst.predict(dtest)

訓練模型並預測

1         print(metrics.accuracy_score(labels,preds))
2         print(metrics.precision_score(labels, preds))
3         print(metrics.recall_score(labels, preds))

輸出指標

4.模型保存與加載

保存模型

bst.save_model('0001.model')

加載模型

1 bst.load_model("00001.model") # load data