上篇博文介紹了xgboost這個算法的推導,下面我們在調包使用這個算法的時候,有一些參數是需要我們理解的。
https://blog.csdn.net/weixin_43172660/article/details/83048394 這是上篇博文
這裏先講怎麼調用xgboost這個包進行運算
首先先引入這個包和數據(包可以用pip install xgboost進行下載)
import pandas as pd
from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
data = pd.read_csv('pima-indians-diabetes.csv',header=None)
X = data.iloc[:,0:8]
y = data.iloc[:,8]
test_size = 0.33
X_train , X_test , y_train , y_test = train_test_split(X,y,test_size = test_size,random_state = 7)
下面可以調用模型,fit函數一些參數的意思
- early_stopping_rounds:在連續加入五棵樹之後,每一次模型的損失函數都沒有下降,這時候停止加樹,有監控作用
- eval_metric:我們所選擇的損失函數
- eval_set:進行測試的數據集
model = XGBClassifier()
eval_set = [(X_test, y_test)]
model.fit(X_train,y_train,early_stopping_rounds=5,eval_metric="logloss",eval_set=eval_set)
y_pred = model.predict(X_test)
score = accuracy_score(y_test, y_pred)
print(score)
結果見下圖:
[0] validation_0-logloss:0.660186
Will train until validation_0-logloss hasn't improved in 5 rounds.
[1] validation_0-logloss:0.634854
[2] validation_0-logloss:0.612239
[3] validation_0-logloss:0.593118
[4] validation_0-logloss:0.578303
[5] validation_0-logloss:0.564942
[6] validation_0-logloss:0.555113
[7] validation_0-logloss:0.54499
[8] validation_0-logloss:0.539151
[9] validation_0-logloss:0.531819
[10] validation_0-logloss:0.526065
[11] validation_0-logloss:0.51977
[12] validation_0-logloss:0.514979
[13] validation_0-logloss:0.50927
[14] validation_0-logloss:0.506086
[15] validation_0-logloss:0.503565
[16] validation_0-logloss:0.503591
[17] validation_0-logloss:0.500805
[18] validation_0-logloss:0.497605
[19] validation_0-logloss:0.495328
[20] validation_0-logloss:0.494777
[21] validation_0-logloss:0.494274
[22] validation_0-logloss:0.493333
[23] validation_0-logloss:0.492211
[24] validation_0-logloss:0.491936
[25] validation_0-logloss:0.490578
[26] validation_0-logloss:0.490895
[27] validation_0-logloss:0.490646
[28] validation_0-logloss:0.491911
[29] validation_0-logloss:0.491407
[30] validation_0-logloss:0.488828
[31] validation_0-logloss:0.487867
[32] validation_0-logloss:0.487297
[33] validation_0-logloss:0.487562
[34] validation_0-logloss:0.487788
[35] validation_0-logloss:0.487962
[36] validation_0-logloss:0.488218
[37] validation_0-logloss:0.489582
Stopping. Best iteration:
[32] validation_0-logloss:0.487297
0.7755905511811023
另外我們還可以通過調用xgboost裏面的plot_importance看看每個特徵的重要性:
from xgboost import plot_importance
from matplotlib import pyplot
plot_importance(model)
pyplot.show()
XGBoost 的參數
- eta:和 GBM 中的 learning rate 參數類似。 通過減少每一步的權重,可以提高模型的穩定性。 典型值爲 0.01-0.2。比如我們目標值是4 ,第一棵樹權重爲3.3 ,第二顆樹權重只能學0.7,這樣後面的樹就學不了什麼了,所以可以設置eta,來防止過擬合,設置eta=0.3 表示剩下的權重爲4-3.3*0.7。削弱每棵樹的影響,讓後面有更大的學習空間。
- min_child_weight:最小葉子節點權重和,如果在一次分裂中,葉子節點上所有樣本的權重和小於min_child_weight則停止分裂,能夠有效的防止過擬合,防止學到特殊樣本。
- max_depth:樹的最大深度,典型值:3-10
- max_leaf_nodes:樹上葉子節點數。
- gamma :懲罰項那個和葉子節點結合的項
- subsample:每棵樹隨機採樣的樣本的比例,減小這個參數的值,算法會更加保守,避免過擬合。但是,如果這個值設置得過小,它可能會導致欠擬合。 典型值:0.5-1
- colsample_bytree:用來控制每棵隨機採樣的列數的佔比 (每一列是一個特徵)。 典型值:0.5-1
- lambda:權重的 L2 正則化項。
- alpha:權重的 L1 正則化項
- objective:定義損失函數,常用的值
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。
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)