参考网址
前言
我们都知道，xgboost算法有2大类接口。
一个是陈天奇团队开发的原生接口xgboost。
另一个是sklearn中的xgboost接口。
本文，是讲解sklearn接口中的分类函数XGBClassifier。
复制代码常规参数
-
booster
- gbtree 树模型做为基分类器（默认），及弱学习器的类型，这里默认是cart分类回归决策树
- gbliner 线性模型做为基分类器
-
silent
- silent=0时，不输出中间过程（默认）
- silent=1时，输出中间过程
-
nthread
- nthread=-1时，使用全部CPU进行并行运算（默认）
- nthread=1时，使用1个CPU进行运算。
-
scale_pos_weight
- 正样本的权重，在二分类任务中，当正负样本比例失衡时，设置正样本的权重，模型效果更好。
- 例如，当正负样本比例为1:10时，scale_pos_weight=10，这样设置之后，正负样本比例就一样了。
模型参数
-
n_estimatores
- 含义：总共迭代的次数，即决策树的个数
- 调参：这个参数要大一点好，在不断增大该参数的时候，模型效果会变好， 但是当增大到一定的值的时候，模型效果就不会有明显的效果了，还可能会变坏。
-
early_stopping_rounds
- 含义：在验证集上，当连续n次迭代，分数没有提高后，提前终止训练。
-
这里的n次就是early_stopping_rounds值。 复制代码 - 调参：防止overfitting。
-
max_depth
- 含义：树的深度，默认值为6，典型值3-10。
- 调参：值越大，越容易过拟合；值越小，越容易欠拟合。
-
min_child_weight
- 含义：默认值为1,。
- 调参：值越大，越容易欠拟合；值越小，越容易过拟合（值较大时，避免模型学习到局部的特殊样本）。
-
subsample
- 含义：训练每棵树时，使用的数据占全部训练集的比例。默认值为1，典型值为0.5-1。
- 调参：防止overfitting。
-
colsample_bytree
- 含义：训练每棵树时，使用的特征占全部特征的比例。默认值为1，典型值为0.5-1。
- 调参：防止overfitting。
学习任务参数
-
learning_rate
- 含义：学习率，控制每次迭代更新权重时的步长，默认0.3。
- 调参：值越小，训练越慢。
- 典型值为0.01-0.2。
-
objective 目标函数
-
回归任务
- reg:linear (默认)
- reg:logistic
-
二分类
- binary:logistic 返回概率
- binary：logitraw 返回类别
-
多分类
- multi：softmax num_class=n 返回类别
- multi：softprob num_class=n 返回概率
-
rank:pairwise
-
-
eval_metric
-
回归任务(默认rmse)
- rmse--均方根误差
- mae--平均绝对误差
-
分类任务(默认error)
- auc--roc曲线下面积
- error--错误率（二分类）
- merror--错误率（多分类）
- logloss--负对数似然函数（二分类）
- mlogloss--负对数似然函数（多分类）
-
-
gamma
- 惩罚项系数，指定节点分裂所需的最小损失函数下降值。
- 调参：
-
alpha
- L1正则化系数，默认为1
-
lambda
- L2正则化系数，默认为1
代码主要函数：
- 载入数据：load_digits()
- 数据拆分：train_test_split()
- 建立模型：XGBClassifier()
- 模型训练：fit()
- 模型预测：predict()
- 性能度量：accuracy_score()
- 特征重要性：plot_importance()
复制代码demo
# -*- coding: utf-8 -*-
# load module
from xgboost.sklearn import XGBClassifier
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from xgboost import plot_importance
import matplotlib.pyplot as plt
# load datasets
data = datasets.load_digits()
print(data.data)
print(data.target)
# data analysis
print(data.data.shape)
print(data.target.shape)
# data split
x_train, x_test, y_train, y_test = train_test_split(data.data,
data.target,
test_size=0.3,
random_state=33)
# fit model for train data
# 所有的参数都是放在XGBClassifier()这个类中，得到初始化的模型对象xgb_class_model
# 建立模型
xgb_class_model = XGBClassifier(learning_rate=0.1,
n_estimators=1000, # 树的个数--1000棵树建立xgboost
max_depth=6, # 树的深度
min_child_weight=1, # 叶子节点最小权重
gamma=0., # 惩罚项中叶子结点个数前的参数
subsample=0.8, # 随机选择80%样本建立决策树
colsample_btree=0.8, # 随机选择80%特征建立决策树
objective='multi:softmax', # 指定目标函数，多分类
scale_pos_weight=1, # 解决样本个数不平衡的问题
random_state=27 # 随机数
)
# 训练模型
xgb_class_model.fit(x_train,
y_train,
eval_set=[(x_test, y_test)],
eval_metric="mlogloss",
early_stopping_rounds=10,
verbose=True)
# plot feature importance
fig, ax = plt.subplots(figsize=(15, 15))
plot_importance(model,
height=0.5,
ax=ax,
max_num_features=64)
plt.show()
# make prediction for test data
y_pred = xgb_class_model.predict(x_test)
# 这里是直接给出类型，predict_proba()函数是给出属于每个类别的概率。
# model evaluate
accuracy = accuracy_score(y_test, y_pred)
print("accuarcy: %.2f%%" % (accuracy * 100.0))
复制代码