重修-龙珠计划机器学习训练营task2-XGBoost part2学习笔记
一、学习知识点概要
基于天气数据集的XGBoost分类实战：掌握 XGBoost 的Python调用并将其运用到天气数据集预测。
二、学习内容
Part1 基于天气数据集的XGBoost分类实践
导入数据
!wget https://tianchi-media.oss-cn-beijing.aliyuncs.com/DSW/7XGBoost/train.csv
Step1: 库函数导入
基础函数库
import numpy as np
import pandas as pd
绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns
要求：选择天气数据集进行方法的尝试训练，现在有一些由气象站提供的每日降雨数据，我们需要根据历史降雨数据来预测明天会下雨的概率。样例涉及到的测试集数据test.csv与train.csv的格式完全相同，但其RainTomorrow未给出，为预测变量。
特征描述：
Step2: 数据读取/载入
我们利用Pandas自带的read_csv函数读取并转化为DataFrame格式
data = pd.read_csv(‘train.csv’)
Step3: 数据信息简单查看
利用.info()查看数据的整体信息
data.info()
进行简单的数据查看，我们可以利用 .head() 头部.tail()尾部
data.head()
备注：数据集中存在NaN，一般的我们认为NaN在数据集中代表了缺失值，可能是数据采集或处理时产生的一种错误。这里我们采用-1将缺失值进行填补，还有其他例如“中位数填补、平均数填补”的缺失值处理方法
data = data.fillna(-1)
data.tail()
利用value_counts函数查看训练集标签的数量
pd.Series(data[‘RainTomorrow’]).value_counts()
备注：数据集中的负样本数量远大于正样本数量 “数据不平衡”问题。可进行一些特殊处理。
对于特征进行一些统计描述
data.describe()
Step4: 可视化描述
#数字特征与非数字特征
numerical_features = [x for x in data.columns if data[x].dtype == np.float]
category_features = [x for x in data.columns if data[x].dtype != np.float and x != ‘RainTomorrow’]
选取三个特征与标签组合的散点可视化
sns.pairplot(data=data[[‘Rainfall’,
‘Evaporation’,
‘Sunshine’] + [‘RainTomorrow’]], diag_kind=‘hist’, hue= ‘RainTomorrow’)
plt.show()
#在2D情况下不同的特征组合对于第二天下雨与不下雨的散点分布，以及大概的区分能力
for col in data[numerical_features].columns:
if col != ‘RainTomorrow’:
sns.boxplot(x=‘RainTomorrow’, y=col, saturation=0.5, palette=‘pastel’, data=data)
plt.title(col)
plt.show()
#利用箱型图我们也可以得到不同类别在不同特征上的分布差异情况
tlog = {}
for i in category_features:
tlog[i] = data[data[‘RainTomorrow’] == ‘Yes’][i].value_counts()
flog = {}
for i in category_features:
flog[i] = data[data[‘RainTomorrow’] == ‘No’][i].value_counts()
plt.figure(figsize=(10,10))
plt.subplot(1,2,1)
plt.title(‘RainTomorrow’)
sns.barplot(x = pd.DataFrame(tlog[‘Location’]).sort_index()[‘Location’], y = pd.DataFrame(tlog[‘Location’]).sort_index().index, color = “red”)
plt.subplot(1,2,2)
plt.title(‘Not RainTomorrow’)
sns.barplot(x = pd.DataFrame(flog[‘Location’]).sort_index()[‘Location’], y = pd.DataFrame(flog[‘Location’]).sort_index().index, color = “blue”)
plt.show()
#不同地区降雨情况差别很大，有些地方明显更容易降雨
plt.figure(figsize=(10,2))
plt.subplot(1,2,1)
plt.title(‘RainTomorrow’)
sns.barplot(x = pd.DataFrame(tlog[‘RainToday’][:2]).sort_index()[‘RainToday’], y = pd.DataFrame(tlog[‘RainToday’][:2]).sort_index().index, color = “red”)
plt.subplot(1,2,2)
plt.title(‘Not RainTomorrow’)
sns.barplot(x = pd.DataFrame(flog[‘RainToday’][:2]).sort_index()[‘RainToday’], y = pd.DataFrame(flog[‘RainToday’][:2]).sort_index().index, color = “blue”)
plt.show()
分析的结论：天下雨明天不一定下雨，但今天不下雨，第二天大概率也不下雨
Step5: 对离散变量进行编码
XGBoost无法处理字符串类型的数据，我们需要一些方法讲字符串数据转化为数据。一种最简单的方法是把所有的相同类别的特征编码成同一个值，例如女=0，男=1，狗狗=2，所以最后编码的特征值是在[0,特征数量−1] 之间的整数。除此之外，还有独热编码、求和编码、留一法编码等等方法可以获得更好的效果。
把所有的相同类别的特征编码为同一个值
def get_mapfunction(x):
mapp = dict(zip(x.unique().tolist(),
range(len(x.unique().tolist()))))
def mapfunction(y):
if y in mapp:
return mapp[y]
else:
return -1
return mapfunction
for i in category_features:
data[i] = data[i].apply(get_mapfunction(data[i]))
编码后的字符串特征变成了数字
data[‘Location’].unique()
Step6: 利用 XGBoost 进行训练与预测
为了正确评估模型性能，将数据划分为训练集和测试集，并在训练集上训练模型，在测试集上验证模型性能。
from sklearn.model_selection import train_test_split
选择其类别为0和1的样本 （不包括类别为2的样本）
data_target_part = data[‘RainTomorrow’]
data_features_part = data[[x for x in data.columns if x != ‘RainTomorrow’]]
测试集大小为20%， 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(data_features_part, data_target_part, test_size = 0.2, random_state = 2020)
导入XGBoost模型
from xgboost.sklearn import XGBClassifier
定义 XGBoost模型
clf = XGBClassifier()
在训练集上训练XGBoost模型
clf.fit(x_train, y_train)
在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics
利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print(‘The accuracy of the Logistic Regression is:’,metrics.accuracy_score(y_train,train_predict))
print(‘The accuracy of the Logistic Regression is:’,metrics.accuracy_score(y_test,test_predict))
查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print(‘The confusion matrix result:\n’,confusion_matrix_result)
利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap=‘Blues’)
plt.xlabel(‘Predicted labels’)
plt.ylabel(‘True labels’)
plt.show()
Step7: 利用 XGBoost 进行特征选择
#XGBoost的特征选择属于特征选择中的嵌入式方法，在XGboost中可以用属性feature_importances_去查看特征的重要度
? sns.barplot
sns.barplot(y=data_features_part.columns, x=clf.feature_importances_)
备注：
使用XGBoost中的下列重要属性来评估特征的重要性。
• weight:是以特征用到的次数来评价
• gain:当利用特征做划分的时候的评价基尼指数
• cover:利用一个覆盖样本的指标二阶导数（具体原理不清楚有待探究）平均值来划分。
• total_gain:总基尼指数
• total_cover:总覆盖
from sklearn.metrics import accuracy_score
from xgboost import plot_importance
def estimate(model,data):
#sns.barplot(data.columns,model.feature_importances_)
ax1=plot_importance(model,importance_type="gain")
ax1.set_title('gain')
ax2=plot_importance(model, importance_type="weight")
ax2.set_title('weight')
ax3 = plot_importance(model, importance_type="cover")
ax3.set_title('cover')
plt.show()
def classes(data,label,test):
model=XGBClassifier()
model.fit(data,label)
ans=model.predict(test)
estimate(model, data)
return ans
ans=classes(x_train,y_train,x_test)
pre=accuracy_score(y_test, ans)
print(‘acc=’,accuracy_score(y_test,ans))
Step8: 通过调整参数获得更好的效果
从sklearn库中导入网格调参函数
from sklearn.model_selection import GridSearchCV
定义参数取值范围
learning_rate = [0.1, 0.3, 0.6]
subsample = [0.8, 0.9]
colsample_bytree = [0.6, 0.8]
max_depth = [3,5,8]
parameters = { ‘learning_rate’: learning_rate,
‘subsample’: subsample,
‘colsample_bytree’:colsample_bytree,
‘max_depth’: max_depth}
model = XGBClassifier(n_estimators = 50)
进行网格搜索
clf = GridSearchCV(model, parameters, cv=3, scoring=‘accuracy’,verbose=1,n_jobs=-1)
clf = clf.fit(x_train, y_train)
网格搜索后的最好参数为
clf.best_params_
在训练集和测试集上分布利用最好的模型参数进行预测
定义带参数的 XGBoost模型
clf = XGBClassifier(colsample_bytree = 0.6, learning_rate = 0.3, max_depth= 8, subsample = 0.9)
在训练集上训练XGBoost模型
clf.fit(x_train, y_train)
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
利用accuracy（准确度）【预测正确的样本数目占总预测样本数目的比例】评估模型效果
print(‘The accuracy of the Logistic Regression is:’,metrics.accuracy_score(y_train,train_predict))
print(‘The accuracy of the Logistic Regression is:’,metrics.accuracy_score(y_test,test_predict))
查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print(‘The confusion matrix result:\n’,confusion_matrix_result)
利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap=‘Blues’)
plt.xlabel(‘Predicted labels’)
plt.ylabel(‘True labels’)
plt.show()
三、学习问题与解答
箱图看的不太明白：
箱盒图（也称盒图，箱线图等）是在1977年由美国统计学家John Tukey发明，分析数据需要为定量数据。通过箱盒图，可以直观的探索数据特征。
箱盒图共由五个数值点构成，分别是最小观察值（下边缘），25%分位数（Q1），中位数，75%分位数（Q3），最大观察值（上边缘）。中横线：中位数IQR：75%分位数（Q3）-25%分位数（Q1）最小观察值（下边缘） = Q1 – 1.5 IQR最大观察值 （上边缘）= Q3 + 1.5 IQR特别说明：箱盒图里面的极大值（上边缘值）并非最大值，极小值（下边缘值）也不是最小值。如果数据有存在离群点即异常值，他们超出最大或者最小观察值，此时将离群点以“圆点”形式进行展示。
四、学习思考与总结
XGBoost的重要参数：
1.eta[默认0.3]
通过为每一颗树增加权重，提高模型的鲁棒性。
典型值为0.01-0.2。
2.min_child_weight[默认1]
决定最小叶子节点样本权重和。
这个参数可以避免过拟合。当它的值较大时，可以避免模型学习到局部的特殊样本。
但是如果这个值过高，则会导致模型拟合不充分。
3.max_depth[默认6]
这个值也是用来避免过拟合的。max_depth越大，模型会学到更具体更局部的样本。
典型值：3-10
4.max_leaf_nodes
树上最大的节点或叶子的数量。
可以替代max_depth的作用。
这个参数的定义会导致忽略max_depth参数。
5.gamma[默认0]
在节点分裂时，只有分裂后损失函数的值下降了，才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。 这个参数的值越大，算法越保守。这个参数的值和损失函数息息相关。
6.max_delta_step[默认0]
这参数限制每棵树权重改变的最大步长。如果这个参数的值为0，那就意味着没有约束。如果它被赋予了某个正值，那么它会让这个算法更加保守。
但是当各类别的样本十分不平衡时，它对分类问题是很有帮助的。
7.subsample[默认1]
这个参数控制对于每棵树，随机采样的比例。
减小这个参数的值，算法会更加保守，避免过拟合。但是，如果这个值设置得过小，它可能会导致欠拟合。
典型值：0.5-1
8.colsample_bytree[默认1]
用来控制每棵随机采样的列数的占比(每一列是一个特征)。
典型值：0.5-1
9.colsample_bylevel[默认1]
用来控制树的每一级的每一次分裂，对列数的采样的占比。
subsample参数和colsample_bytree参数可以起到相同的作用，一般用不到。
10.lambda[默认1]
权重的L2正则化项。(和Ridge regression类似)。
这个参数是用来控制XGBoost的正则化部分的。虽然大部分数据科学家很少用到这个参数，但是这个参数在减少过拟合上还是可以挖掘出更多用处的。
11.alpha[默认1]
权重的L1正则化项。(和Lasso regression类似)。
可以应用在很高维度的情况下，使得算法的速度更快。
12.scale_pos_weight[默认1]
在各类别样本十分不平衡时，把这个参数设定为一个正值，可以使算法更快收敛。
13.learning_rate: 有时也叫作eta，系统默认值为0.3。每一步迭代的步长，很重要。太大了运行准确率不高，太小了运行速度慢。
调节模型参数的方法有贪心算法、网格调参、贝叶斯调参等。这里我们采用网格调参，它的基本思想是穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。