【机器学习】Xgboost的使用及参数详解

Xgboost的安装

由于Xgboost底层是C++实现的，所以需要先安装Microsoft Visual C++，安装 2015-2019任意一个版本就行；安装完毕后可以在控制面板查看安装结果：

然后命令行执行pip install xgboost即可

Xgboost的使用

Xgboost的原生库

使用Xgboost的原生库进行学习的流程大致如下：

读取数据
xgboost.Dmatrix()

设置参数
param={}

训练模型
bst=xgboost.train(param)

预测结果
bst.predict()

下面按照图示流程讲解每一步的参数

读取数据

原生库的数据必须封装在DMatrix中才能进行训练；Dmatrix是Xgboost自定义的一个数据矩阵类，用于封装数据，这种定义方式可以优化存储和运算速度，其参数如下：

• data：训练数据（注意Dmatrix要求数据类型只能是int、float、bool之一，所以数据中如果有字符串类型需提前进行编码）
• label：训练数据的标签（注意Dmatrix要求数据类型只能是int、float、bool之一，所以数据中如果有字符串类型需提前进行编码）
• weight：样本的权重
• base_margin：样本偏置，是一个N*1的数组，N为样本数
• missing：float型，输入数据中如果有缺失值则以该值替代，默认为np.nan
• silent：在计算过程中是否要输出信息，True表示不输出，默认为False
• feature_names：特征名称
• feature_types：特征类型
• nthread：加载数据时的线程数，-1代表使用所有可用线程

类方法有以下几个（还有一些不常用的参考文末官方文档）：

• feature_names()：获取特征名
• feature_types()：获取特征类型
• get_base_margin()：获取样本的偏置
• get_label()：获取标签
• get_weight()：获取权重
• num_col()：获取特征数
• num_row()：获取样本数
• save_binary(fname, silent=True)：储存Dmatrix，fname为存储路径，silent控制是否输出信息；储存的数据可以通过xbgoost.Dmatrix(fname)取出

设置参数

一般参数

• booster：弱评估器，可以是gbtree，gblinear，dart，默认是gbtree
• disable_default_eval_metric：是否禁用默认的（验证集的）评估指标，注意如果你要用自定义的评估指标，需要将这一项设为True
• nthread：训练模型时用的并行线程数
• verbosity：控制训练过程中输出信息的多少，取值为0， 1， 2， 3，默认为1
• validate_parameters：是否检查参数

弱评估器参数

基于树的弱评估器（gbtree, dart）的参数主要有以下几个：

• eta：学习率，默认为0.3
• gamma：叶节点继续分裂所需的最小损失函数下降值，默认为0，即不断增加树的深度直到损失函数不再下降
• max_depth：树的最大深度，默认为6
• min_child_weight：叶节点继续分裂所需的最小样本权重， 默认为1
• subsample：训练样本的采样率，默认为1，即每次都用所有样本做提升
• sampling_method：样本采样方法，默认为均匀采样
• colsample_bytree, colsample_bylevel, colsample_bynode：特征采样率，colsample_bytree决定构建每一棵树的时候的采样率，colsample_bylevel决定树的深度每增加一层时的采样率，colsample_bynode决定每次叶节点分裂时的采样率，这三个参数默认都为1；在训练模型时三个参数的作用是累积的，例如数据共128个特征，colsample_bytree=colsample_bylevel=colsample_bynode=0.5，那么每个叶节点分裂时用到的特征数就是16
• lambda：L2正则化系数，默认为1
• alpha：L1正则化系数，默认为0
• tree_method：构建树采用的算法，可选值有：auto, exact, approx, hist, gpu_hist，默认为auto

如果你选的弱评估器为dart，注意它在训练时会采用dropout方法，即随机丢掉一部分树以防止过拟合，因而此时会有如下额外的参数：

• sample_type：树模型的采样算法，默认均匀采样
• normalize_type：树的权重的归一化算法，具体公式见文末官方文档
• rate_drop：删除率，默认是0
• one_drop：开启这个功能将保证每次dropout至少会删除一棵树，默认为0（关闭）
• skip_drop：在一次迭代中不做dropout的概率，该参数优先于rate_drop和one_drop，默认为0

线性弱评估器（gblinear）的参数如下：

• lambda：L2正则化系数，默认为0
• alpha：L1正则化系数，默认为0
• updater：拟合线性模型的算法，默认为shotgun算法
• feature_selector：特征选择方法，默认依次选择特征（cyclic）

任务参数

• objective：学习目标，默认为reg:squarederror，即以平方损失为损失函数的回归模型；除此之外还有：

  参数	对应的学习目标
  reg:squaredlogerror	以均方对数损失为损失函数的回归模型
  reg:logistic	逻辑回归模型
  binary:logistic	二分类逻辑回归模型（输出为概率，即Sigmoid函数值）
  binary:logitraw	二分类逻辑回归模型（输出为$w^{T}x$，即Sigmoid函数的参数）
  binary:hinge	使用合页损失函数（hinge loss）的二分类模型（输出为0或1）
  multi:softmax	使用softmax作为目标函数的多分类模型

• base_score：所有样本的初始偏置值，默认0.5
• eval_metric：验证数据集的评估指标，分类问题默认为对数损失函数，回归问题默认为均方根损失函数
• seed：随机数种子

训练模型

原生Xgboost库既可以用来处理分类问题，也可以用来处理回归问题，实现方法都是调用train()函数；该函数参数如下：

• params：上一步定义的参数列表
• dtrain：第一步读取的训练数据
• num_boost_round：迭代次数
• evals：验证数据集，该参数必须是由(Dmatrix, string)构成的列表，第二个string参数是用于输出的，可以任意设置
• obj：自定义目标函数
• feval：自定义评估函数；该参数起作用需要evals非空，并且将一般参数中的disable_default_eval_metric设为True
• maximize：是否要最大化feval
• early_stopping_rounds：控制训练速度；如果在验证数据集上迭代early_stopping_rounds次后损失函数没有下降就停止训练；要求evals参数不能为空
• verbose_eval：控制评估模型过程中的输出数量，bool类型或int类型，默认为True，即每个提升阶段都输出相应信息；要求evals参数非空
• xgb_model：加载模型（传入文件路径）
• callbacks：回调函数（列表），在每轮迭代结束后调用

预测结果

上一步train()函数返回的是一个Booster类，我们可以调用这个类的predict()方法进行预测，该函数常用的两个参数如下：

• data：测试集数据
• ntree_limit：预测时使用的树的数量，默认为0（使用所有树）

示例代码

示例1

from sklearn.datasets import load_boston, load_iris
from sklearn.metrics import mean_squared_error, accuracy_score
from sklearn.model_selection import train_test_split
import xgboost as xgb

## 使用原生xgboost解决回归问题
# 读取数据
boston_data = load_boston()
X = boston_data.data
y = boston_data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=23)

dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# 设置参数
params = {
    'eta': 0.1,
    'reg_alpha': 0.01,
    'reg_lambda': 0.01,
    'max_depth': 10
}

# 训练模型
bst = xgb.train(
    params=params,
    dtrain=dtrain,
    num_boost_round=20
)

# 预测结果
ypred = bst.predict(dtest)
print('MSE of prediction on boston dataset:', mean_squared_error(y_test, ypred))
print('\n')

## 使用原生xgboost解决分类问题
# 读取数据
iris_data = load_iris()
X = iris_data.data
y = iris_data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=23)

dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# 设置参数
params = {
    'objective': 'multi:softmax',
    'num_class': 3,
    'eta': 0.1,
    'reg_alpha': 0.01,
    'reg_lambda': 0.01,
    'max_depth': 8
}

# 训练模型
bst = xgb.train(
    params=params,
    dtrain=dtrain,
    num_boost_round=20,
    evals=[(dtrain, 'train'), (dtest, 'test')] # 将训练数据和测试数据都作为验证集，可以实时监督训练情况，是否过拟合
)

# 预测结果
result = bst.predict(
    dtest,
    ntree_limit=10
)
print('Accuracy of prediction on iris dataset:', accuracy_score(y_test, result))

输出：

注意objective参数如果不设置的话其实不会影响学习效果，因为该模型会根据数据判断当前问题是分类问题还是回归问题，如下所示：

iris_data = load_iris()
X = iris_data.data
y = iris_data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=23)

dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# 设置参数
params = {
    # 'objective': 'multi:softmax',
    'num_class': 3,
    'eta': 0.1,
    'reg_alpha': 0.01,
    'reg_lambda': 0.01,
    'max_depth': 8
}

# 训练模型
bst = xgb.train(
    params=params,
    dtrain=dtrain,
    num_boost_round=20,
    evals=[(dtrain, 'train'), (dtest, 'test')]
)

# 预测结果
result = bst.predict(
    dtest,
    ntree_limit=10
)
print('Accuracy of prediction on iris dataset(objective unspecified):', accuracy_score(y_test, result))

输出：

与第一段代码运行结果对比可以发现是一样的

示例2

from sklearn.datasets import load_wine
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
import xgboost as xgb
import matplotlib.pyplot as plt

# 读取数据
wine_data = load_wine()
X = wine_data.data
y = wine_data.target
features = wine_data.feature_names
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=23)

dtrain = xgb.DMatrix(X_train, label=y_train)
dtest = xgb.DMatrix(X_test, label=y_test)

# 设置参数
params = {
    'num_class': 3,
    'eta': 0.1,
    'reg_alpha': 0.01,
    'reg_lambda': 0.01,
    'max_depth': 8
}

# 训练模型
bst = xgb.train(
    params=params,
    dtrain=dtrain,
    num_boost_round=10,
    evals=[(dtrain, 'train'), (dtest, 'dtest')]
)

feature_score = bst.get_score(importance_type='gain') # 特征得分（特征重要性）
print(feature_score)

feature_importance = {}
for tag, score in feature_score.items():
    feature_importance[features[int(tag[1:])]] = score

plt.figure(figsize=(12, 8))
plt.bar(range(len(feature_importance)), feature_importance.values())
plt.xticks(range(len(feature_importance)), feature_importance.keys(), rotation=45)
plt.ylabel('Importance')
plt.show()

# 预测结果
result = bst.predict(
    dtest,
    ntree_limit=10
)
print('Accuracy of prediction on wine dataset:', accuracy_score(y_test, result))

输出：

基于sklearnAPI的Xgboost

xgboost包已经封装了XGBRegressor，XGBClassifier，XGBRFRegressor，XGBRFClassifier等学习器，他们的调用方法和sklearn封装的学习器调用方法一样，下面分别介绍他们的参数

xgboost.XGBRegressor

这个类用于解决回归问题

参数

• n_estimators：提升树的数量，即训练轮数，等价于原生库的num_boost_round
• max_depth：树的最大深度
• learning_rate：学习率，等价于原生库的eta
• verbosity：控制学习过程中输出信息的多少，取值为0， 1， 2， 3
• objective：学习目标及其损失函数，默认为reg:squarederror，即以平方损失为损失函数的回归模型
• booster：弱评估器，可以是gbtree，gblinear或dart
• n_jobs：训练时并行的线程数
• gamma：叶节点继续分裂所需的最小损失函数下降值
• min_child_weight：一个叶子节点上所需要的最小样本权重
• max_delta_step：树的权重估计中允许的单次最大增量
• subsample：对训练样本的采样比例
• colsample_bytree, colsample_bylevel, colsample_bynode：参考上文原生库的弱评估器参数
• reg_alpha：L1正则化系数
• reg_lambda：L2正则化系数
• base_score：所有样本的偏置
• random_state：随机数种子
• missing：缺失值的表达形式，默认为np.nan
• importance_type：计算特征重要性的依据，可选项有“gain”, “weight”, “cover”, “total_gain”, “total_cover”，默认为“gain”
• tree_method：构建树采用的算法，可选值有：auto, exact, approx, hist, gpu_hist，默认为auto

属性和方法

• apply(X, ntree_limit=0)：X为测试数据，维度为[n_samples, n_features]；ntree_limit预测时使用的树的数量，默认为0（使用所有树）；返回维度为[n_samples, n_trees]的数组，第i行第j列表示第i个数据在第j个树中的叶节点的下标
• evals_result()：返回验证集上的评估结果
• feature_importances_：返回特征重要性
• fit()：用给定数据训练模型，其参数如下：

  参数	含义
  X	训练数据集x值
  y	训练数据集y值
  sample_weight	样本权重
  base_margin	样本偏置
  eval_set	验证数据集（以$(X,y)$组成的列表）
  eval_metric	评估指标
  early_stopping_rounds	见上文原生库参数
  verbose	控制训练过程中输出信息的多少
  xgb_model	要预加载的模型（字符串类型，即文件路径）
  sample_weight_eval_set	验证集样本权重
  callbacks	回调函数

• get_booster()：返回模型的弱评估器（只能在fit()之后调用）
• get_params()：返回模型参数
• predict()：预测，参数如下：

  参数	含义
  data	测试集
  ntree_limit	预测时使用的树的数量
  validate_features	默认为True，将会检查测试数据和弱评估器的特征是否一致
  output_margin	是否返回原始分数（对分类问题原始分数就是$w^{T}x$，对回归问题原始分数与预测结果一样），默认为False

• save_model(fname)：保存模型，fname为字符串类型，表示文件路径
• load_model(fname)：加载模型，fname为字符串类型，表示文件路径

xgboost.XGBClassifier

这个类用于解决分类问题，相比xgboost.XGBRegressor多了一个use_label_encoder参数，表示是否用sklearn的LabelEncoder对类别做编码，默认为True，但官方文档建议将其设为False；另外这个类的objective默认为binary:logistic，除此之外其他参数、属性和方法与xgboost.XGBRegressor相同

xgboost.XGBRFRegressor

这个类也是用于解决回归问题，不过在xgboost的基础上用随机森林算法做了集成，该类的学习率默认为1，subsample默认为0.8，colsample_bynode默认为0.8，reg_lambda默认为0.00001，除此之外其他参数、属性和方法与xgboost.XGBRegressor相同

xgboost.XGBRFClassifier

和xgboost.XGBRFRegressor类似，该模型在xgboost的基础上用随机森林算法做了集成，它也有use_label_encoder参数，默认为True，官方文档建议将其设为False；该类的学习率默认为1，subsample默认为0.8，colsample_bynode默认为0.8，reg_lambda默认为0.00001，除此之外其他参数、属性和方法与xgboost.XGBRegressor相同

示例代码

from sklearn.datasets import load_boston, load_iris
from sklearn.metrics import mean_squared_error, accuracy_score
from sklearn.model_selection import train_test_split
from xgboost import XGBRegressor, XGBClassifier

# 使用skleanAPI xgboost解决回归问题
boston_data = load_boston()
X = boston_data.data
y = boston_data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=23)

reg = XGBRegressor(
    n_estimators=20,
    learning_rate=0.1,
    max_depth=5)

reg.fit(X_train, y_train)
ypred = reg.predict(X_test)

print('MSE of prediction on boston dataset:', mean_squared_error(y_test, ypred))
print('\n')

# 使用sklearnAPI xgboost解决分类问题
iris_data = load_iris()
X = iris_data.data
y = iris_data.target
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=23)

xgbc = XGBClassifier(
    learning_rate=0.1,
    n_estimators=20,
    seed=27,
    verbosity=1
)

xgbc.fit(X_train, y_train)
result = xgbc.predict(X_test)

print('Accuracy of prediction on iris dataset:', accuracy_score(y_test, result))

输出：

Plotting API

xgboost包除了以上功能强大的学习器外还封装了几个非常好用的绘图函数

xgboost.plot_importance

参数

• booster：弱评估器或xgboost模型实例
• ax：matplotlib的Axes对象，默认为None，此时将创建一个新的图
• grid：是否加上网格，默认为True
• importance_type：特征重要性的计算方法，默认为"weight"，即特征在树中出现的次数；其余可选项为“gain”和“cover”
• max_num_features：图中显示的最大特征数，如果是None则显示所有特征（默认）
• height：条形图的高度，默认0.2
• xlim：元组类型，表示x的取值范围，默认为None
• ylim：元组类型，表示x的取值范围，默认为None
• title：图的名称，默认为"Feature importance"
• xlabel：x轴名称，默认为"F score"
• ylabel：y轴名称，默认为"Features"
• show_values：是否在图中显示具体数值，默认为True

xgboost.plot_tree

参数

• booster：弱评估器或xgboost模型实例
• fmap：特征图的文件路径
• num_trees：指定要画第几棵树，默认为0（第一棵）
• ax：matplotlib的Axes对象，默认为None，此时将创建一个新的图

xgboost.to_graphviz

参数

• booster：弱评估器或xgboost模型实例
• fmap：特征图的文件路径
• num_trees：指定要画第几棵树，默认为0（第一棵）
• yes_color：满足节点条件的边的颜色，默认为’#0000FF’
• no_color：不满足节点条件的边的颜色，默认为’#FF0000’
• condition_node_params：非叶节点的参数，字典类型
• leaf_node_params：叶节点的参数，字典类型

示例代码

from sklearn.datasets import load_breast_cancer
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split
import xgboost as xgb
import matplotlib.pyplot as plt

cancer_data = load_breast_cancer()
X = cancer_data.data
y = cancer_data.target
features = cancer_data.feature_names
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=23)

xgbc = xgb.XGBRegressor(
    learning_rate=0.1,
    n_estimators=20,
    seed=27,
    verbosity=1
)

xgbc.fit(
    X_train, 
    y_train, 
    eval_set=[(X_train, y_train), (X_test, y_test)]
)

fea_imp = xgbc.feature_importances_
print(fea_imp)

输出：

接上文代码

# 由于并不是所有特征都能用上，所以这里统计一下用到的特征
used_features = []

for ind in range(len(features)):
    if fea_imp[ind]:
        used_features.append(features[ind])

fig = plt.figure(figsize=(10, 8))
ax = fig.add_axes([0,0,1,1])
xgb.plot_importance(xgbc, ax)
ax.set_yticklabels(used_features)

输出：

接上文代码

node_params = {
    'shape': 'box',
    'style': 'filled,rounded',
    'fillcolor': '#78bceb'
}

xgb.to_graphviz(xgbc, condition_node_params = node_params)

输出：

接上文代码

result = xgbc.predict(
    X_test,
    ntree_limit=10
)

# 预测结果是概率值，为了用accuracy_score计算准确率需要转换为类别
result = list(map(lambda x: 1 if x>0.5 else 0, result))
print('Accuracy of prediction on cancer dataset:', accuracy_score(y_test, result))

输出：

参考：官方文档