Kaggle 神器 xgboost

Kaggle 神器 xgboost

在 Kaggle 的不少比賽中，咱們能夠看到不少 winner 喜歡用 xgboost，並且得到很是好的表現，今天就來看看 xgboost 究竟是什麼以及如何應用。

 

什麼是 xgboost？

XGBoost ：eXtreme Gradient Boosting
項目地址：https://github.com/dmlc/xgboost

是由 Tianqi Chen http://homes.cs.washington.edu/~tqchen/ 最初開發的實現可擴展，便攜，分佈式 gradient boosting (GBDT, GBRT or GBM) 算法的一個庫，能夠下載安裝並應用於 C++，Python，R，Julia，Java，Scala，Hadoop，如今有不少協做者共同開發維護。

XGBoost 所應用的算法就是 gradient boosting decision tree，既能夠用於分類也能夠用於迴歸問題中。

那什麼是 Gradient Boosting？

Gradient boosting 是 boosting 的其中一種方法

所謂 Boosting ，就是將弱分離器 f_i(x) 組合起來造成強分類器 F(x) 的一種方法。

因此 Boosting 有三個要素：

• A loss function to be optimized：
  例如分類問題中用 cross entropy，迴歸問題用 mean squared error。

• A weak learner to make predictions：
  例如決策樹。

• An additive model：
  將多個弱學習器累加起來組成強學習器，進而使目標損失函數達到極小。

Gradient boosting 就是經過加入新的弱學習器，來努力糾正前面全部弱學習器的殘差，最終這樣多個學習器相加在一塊兒用來進行最終預測，準確率就會比單獨的一個要高。之因此稱爲 Gradient，是由於在添加新模型時使用了梯度降低算法來最小化的損失。

爲何要用 xgboost？

前面已經知道，XGBoost 就是對 gradient boosting decision tree 的實現，可是通常來講，gradient boosting 的實現是比較慢的，由於每次都要先構造出一個樹並添加到整個模型序列中。

而 XGBoost 的特色就是計算速度快，模型表現好，這兩點也正是這個項目的目標。

表現快是由於它具備這樣的設計：

• Parallelization：
  訓練時能夠用全部的 CPU 內核來並行化建樹。
• Distributed Computing ：
  用分佈式計算來訓練很是大的模型。
• Out-of-Core Computing：
  對於很是大的數據集還能夠進行 Out-of-Core Computing。
• Cache Optimization of data structures and algorithms：
  更好地利用硬件。

下圖就是 XGBoost 與其它 gradient boosting 和 bagged decision trees 實現的效果比較，能夠看出它比 R, Python，Spark，H2O 中的基準配置要更快。

 

另一個優勢就是在預測問題中模型表現很是好，下面是幾個 kaggle winner 的賽後採訪連接，能夠看出 XGBoost 的在實戰中的效果。

• Vlad Sandulescu, Mihai Chiru, 1st place of the KDD Cup 2016 competition. Link to the arxiv paper.
• Marios Michailidis, Mathias Müller and HJ van Veen, 1st place of the Dato Truely Native? competition. Link to the Kaggle interview.
• Vlad Mironov, Alexander Guschin, 1st place of the CERN LHCb experiment Flavour of Physics competition. Link to the Kaggle interview.

怎麼應用？

先來用 Xgboost 作一個簡單的二分類問題，如下面這個數據爲例，來判斷病人是否會在 5 年內患糖尿病，這個數據前 8 列是變量，最後一列是預測值爲 0 或 1。

數據描述：
https://archive.ics.uci.edu/ml/datasets/Pima+Indians+Diabetes

下載數據集，並保存爲 「pima-indians-diabetes.csv「 文件：
https://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data

1. 基礎應用

引入 xgboost 等包

from numpy import loadtxt
from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

分出變量和標籤

dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")

X = dataset[:,0:8]
Y = dataset[:,8]

將數據分爲訓練集和測試集，測試集用來預測，訓練集用來學習模型

seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)

xgboost 有封裝好的分類器和迴歸器，能夠直接用 XGBClassifier 創建模型
這裏是 XGBClassifier 的文檔：
http://xgboost.readthedocs.io/en/latest/python/python_api.html#module-xgboost.sklearn

model = XGBClassifier()
model.fit(X_train, y_train)

xgboost 的結果是每一個樣本屬於第一類的機率，須要用 round 將其轉換爲 0 1 值

y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]

獲得 Accuracy: 77.95%

accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))

2. 監控模型表現

xgboost 能夠在模型訓練時，評價模型在測試集上的表現，也能夠輸出每一步的分數

只須要將

model = XGBClassifier()
model.fit(X_train, y_train)

變爲：

model = XGBClassifier()
eval_set = [(X_test, y_test)]
model.fit(X_train, y_train, early_stopping_rounds=10, eval_metric="logloss", eval_set=eval_set, verbose=True)

那麼它會在每加入一顆樹後打印出 logloss

[31]    validation_0-logloss:0.487867
[32]    validation_0-logloss:0.487297
[33]    validation_0-logloss:0.487562

並打印出 Early Stopping 的點：

Stopping. Best iteration:
[32]    validation_0-logloss:0.487297

3. 輸出特徵重要度

gradient boosting 還有一個優勢是能夠給出訓練好的模型的特徵重要性，
這樣就能夠知道哪些變量須要被保留，哪些能夠捨棄

須要引入下面兩個類

from xgboost import plot_importance
from matplotlib import pyplot

和前面的代碼相比，就是在 fit 後面加入兩行畫出特徵的重要性

model.fit(X, y)

plot_importance(model)
pyplot.show()

 

4. 調參

如何調參呢，下面是三個超參數的通常實踐最佳值，能夠先將它們設定爲這個範圍，而後畫出 learning curves，再調解參數找到最佳模型：

• learning_rate ＝ 0.1 或更小，越小就須要多加入弱學習器；
• tree_depth ＝ 2～8；
• subsample ＝ 訓練集的 30%～80%；

接下來咱們用 GridSearchCV 來進行調參會更方便一些：

能夠調的超參數組合有：

樹的個數和大小 (n_estimators and max_depth).
學習率和樹的個數 (learning_rate and n_estimators).
行列的 subsampling rates (subsample, colsample_bytree and colsample_bylevel).

下面以學習率爲例：

先引入這兩個類

from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import StratifiedKFold

設定要調節的 learning_rate = [0.0001, 0.001, 0.01, 0.1, 0.2, 0.3]
和原代碼相比就是在 model 後面加上 grid search 這幾行：

model = XGBClassifier()
learning_rate = [0.0001, 0.001, 0.01, 0.1, 0.2, 0.3]
param_grid = dict(learning_rate=learning_rate)
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=7)
grid_search = GridSearchCV(model, param_grid, scoring="neg_log_loss", n_jobs=-1, cv=kfold)
grid_result = grid_search.fit(X, Y)

最後會給出最佳的學習率爲 0.1
Best: -0.483013 using {'learning_rate': 0.1}

print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))

咱們還能夠用下面的代碼打印出每個學習率對應的分數：

means = grid_result.cv_results_['mean_test_score']
stds = grid_result.cv_results_['std_test_score']
params = grid_result.cv_results_['params']
for mean, stdev, param in zip(means, stds, params):
    print("%f (%f) with: %r" % (mean, stdev, param))
-0.689650 (0.000242) with: {'learning_rate': 0.0001}
-0.661274 (0.001954) with: {'learning_rate': 0.001}
-0.530747 (0.022961) with: {'learning_rate': 0.01}
-0.483013 (0.060755) with: {'learning_rate': 0.1}
-0.515440 (0.068974) with: {'learning_rate': 0.2}
-0.557315 (0.081738) with: {'learning_rate': 0.3}

 

最後附上完整的代碼

# coding=utf-8


from numpy import loadtxt
from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from xgboost import plot_importance
from matplotlib import pyplot
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import StratifiedKFold

dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")

X = dataset[:, 0:8]
Y = dataset[:, 8]

seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)

model = XGBClassifier()
learning_rate = [0.0001, 0.001, 0.01, 0.1, 0.2, 0.3]
param_grid = dict(learning_rate=learning_rate)
kfold = StratifiedKFold(n_splits=10, shuffle=True, random_state=7)
grid_search = GridSearchCV(model, param_grid, scoring="neg_log_loss", n_jobs=-1, cv=kfold)
grid_result = grid_search.fit(X, Y)

eval_set = [(X_test, y_test)]
model.fit(X_train, y_train, early_stopping_rounds=10, eval_metric="logloss", eval_set=eval_set, verbose=True)

# plot_importance(model)
# pyplot.show()

y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]

accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))

#最佳的學習率
print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))

# 打印出每個學習率對應的分數
means = grid_result.cv_results_['mean_test_score']
stds = grid_result.cv_results_['std_test_score']
params = grid_result.cv_results_['params']
for mean, stdev, param in zip(means, stds, params):
    print("%f (%f) with: %r" % (mean, stdev, param))

 

轉載連接：https://www.jianshu.com/p/7e0e2d66b3d4