1.簡(jiǎn)介

該部分是代碼整理的第二部分，為了方便一些初學(xué)者調(diào)試代碼，作者已將該部分代碼打包成一個(gè)工程文件，包含簡(jiǎn)單的數(shù)據(jù)處理、xgboost配置、五折交叉訓(xùn)練和模型特征重要性打印四個(gè)部分。數(shù)據(jù)處理部分參考：代碼整理一，這里只介紹不同的部分。本文主要是介紹一些重點(diǎn)的參數(shù)部分，一是方便自己以后再次查詢(xún)，也希望幫助一些初學(xué)者快速的使用該項(xiàng)目，應(yīng)用到自己的工程或者比賽中。如果只是想要閱讀代碼，可直接移步到尾部鏈接。

2. 數(shù)據(jù)處理

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)

該部分在lightgbm中只進(jìn)行了labelEncoder編碼處理，然后通過(guò)categorical_feature變量處理，在lightgbm中使用了類(lèi)別特征的最優(yōu)切分進(jìn)行了處理，具體詳情參考:柯國(guó)霖大佬的回答。xgboost中沒(méi)有對(duì)類(lèi)別特征做處理，這里對(duì)其進(jìn)行了onehot編碼處理。而在工程中，如果類(lèi)別過(guò)多，我一般會(huì)放棄進(jìn)行onehot，主要是由于進(jìn)行onehot會(huì)導(dǎo)致特征過(guò)于稀疏，運(yùn)算速度變慢，嚴(yán)重影響模型的迭代速度，并且最終對(duì)結(jié)果提升很有限,我通常只會(huì)進(jìn)行l(wèi)abelEncoder, 也可以對(duì)特征進(jìn)行embeding處理。

3.模型

3.1 參數(shù)

和lightgbm一樣，xgboost也是使用key-value字典的方式存儲(chǔ)參數(shù)，下面給出的事二分類(lèi)的參數(shù)

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：目標(biāo)函數(shù)
• 二分類(lèi)：常用的是binary:logistic
• 多分類(lèi)：multi:softmax,當(dāng)是多分類(lèi)任務(wù)時(shí)需要指定類(lèi)別數(shù)量，eg:'num_class':33;
• 回歸任務(wù)：reg:linear
• eval_metric：評(píng)價(jià)函數(shù)，如果該參數(shù)沒(méi)有指定，缺省值是通過(guò)目標(biāo)函數(shù)來(lái)做匹配，
• 二分類(lèi)：常用auc和logloss
• 多分類(lèi)：mlogloss
• 回歸任務(wù)：均方誤差：mse，均方根誤差：rmse, 平均絕對(duì)值誤差：mae
• gamma：用于控制是否后剪枝的參數(shù),越大越保守，一般0.1、0.2這樣子
• max_depth：樹(shù)的深度，對(duì)結(jié)果影響較大，越深越容易過(guò)擬合
• alpha：L1正則，樹(shù)的深度過(guò)大時(shí)，可以適大該參數(shù)
• lambda：L2正則
• subsample：隨機(jī)采樣的比率，通俗理解就是選多少樣本做為訓(xùn)練集，選擇小于1的比例可以減少方差，即防止過(guò)擬合
• colsample_bytree：這里是選擇多少列作為訓(xùn)練集，具體的理解就是選擇多少特征
• min_child_weight：決定最小葉子節(jié)點(diǎn)樣本權(quán)重和。當(dāng)它的值較大時(shí)，可以避免模型學(xué)習(xí)到局部的特殊樣本。但如果這個(gè)值過(guò)高，會(huì)導(dǎo)致欠擬合
• eta：學(xué)習(xí)率
• silent: 是否打印訓(xùn)練過(guò)程中的信息，0表示打印，1反之
• nthread：運(yùn)行的線程數(shù)，-1所有線程，該值需要根據(jù)具體情況調(diào)整，線程對(duì)最終結(jié)果有一點(diǎn)影響，曾今測(cè)試，線程越多，結(jié)果會(huì)變差一丟丟
• seed：這個(gè)隨機(jī)指定一個(gè)常數(shù)，防止每次結(jié)果不一致

3.2 五折交叉

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

采用五折交叉統(tǒng)計(jì)實(shí)際就是訓(xùn)練多個(gè)模型和平均值融合，如果時(shí)間允許的情況下10折交叉會(huì)好于5折。5折交叉還可以采用StratifiedKFold做切分。

3.3 數(shù)據(jù)加載

XGBoost可以加載多種數(shù)據(jù)格式的訓(xùn)練數(shù)據(jù)：libsvm 格式的文本數(shù)據(jù)、Numpy 的二維數(shù)組、XGBoost 的二進(jìn)制的緩存文件。加載的數(shù)據(jù)存儲(chǔ)在對(duì)象 DMatrix 中，而llightgbm是存儲(chǔ)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 訓(xùn)練和預(yù)測(cè)

##訓(xùn)練部分 watchlist = [(trn_data, 'train'), (val_data, 'valid')] clf = xgb.train(params, trn_data, num_round, watchlist, verbose_eval=200, early_stopping_rounds=200)##預(yù)測(cè)部分 test_pred_prob += clf.predict(xgb.DMatrix(test), ntree_limit=clf.best_ntree_limit) / folds.n_splits

• params：參數(shù)字典
• trn_data ：訓(xùn)練的數(shù)據(jù)
• num_round：迭代次數(shù)
• watchlist：這是一個(gè)列表，用于對(duì)訓(xùn)練過(guò)程中進(jìn)行評(píng)估列表中的元素。形式是evals =[(dtrain,’train’),(dval,’val’)]或者是evals =[(dtrain,’train’)],對(duì)于第一種情況，它使得我們可以在訓(xùn)練過(guò)程中觀察驗(yàn)證集的效果。
• verbose_eval： 如果為T(mén)rue ,則對(duì)evals中元素的評(píng)估結(jié)果會(huì)輸出在結(jié)果中；如果輸入數(shù)字，假設(shè)為5，則每隔5個(gè)迭代輸出一次。
• ntree_limit：驗(yàn)證集中最好的結(jié)果做預(yù)測(cè)

4.模型重要性

模型重要性是根據(jù)樹(shù)模型中該特征的分裂次數(shù)做統(tǒng)計(jì)的，可以基于此重要性來(lái)判斷特種的重要程度，深入的挖掘特征，具體代碼如下：

##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)##特征重要性顯示 ## 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中對(duì)應(yīng)的事clf.feature_importance()函數(shù)，而在xgboost中對(duì)應(yīng)的是clf.get_fscore()函數(shù)。如果特征過(guò)多無(wú)法完成顯示，可以只取topN顯示，如只顯示top5

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

5.小總結(jié)

xgboost和lightgbm對(duì)比，它的速度會(huì)慢很多，使用也沒(méi)有l(wèi)ighgbm方便，但是可以將xgboost訓(xùn)練的結(jié)果和lightgbm做融合，提升最終的結(jié)果。

代碼地址：data_mining_models

. 寫(xiě)在最后

歡迎關(guān)注作者和專(zhuān)欄，和作者一塊成長(zhǎng)：ML與DL成長(zhǎng)之路，

推薦關(guān)注公眾號(hào)：AI成長(zhǎng)社，ML與DL的成長(zhǎng)圣地。

同時(shí)推薦魚(yú)佬專(zhuān)欄，學(xué)習(xí)更對(duì)競(jìng)賽知識(shí)，機(jī)器學(xué)習(xí)理論與數(shù)據(jù)競(jìng)賽實(shí)戰(zhàn)

---

推薦閱讀

【lightgbm/xgboost/nn代碼整理一】lightgbm做二分類(lèi)，多分類(lèi)以及回歸任務(wù)

【lightgbm/xgboost/nn代碼整理三】keras做二分類(lèi)，多分類(lèi)以及回歸任務(wù)

【lightgbm/xgboost/nn代碼整理四】pytorch做二分類(lèi)，多分類(lèi)以及回歸任務(wù)

總結(jié)

以上是生活随笔為你收集整理的libsvm回归参数寻优cgp_【lightgbm/xgboost/nn代码整理二】xgboost做二分类，多分类以及回归任务...的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。