【sklearn】Toy datasets上的分类/回归问题 (XGBoost实践)

分类问题

1. 手写数字识别问题

from sklearn.datasets import load_digits

digits = load_digits()  # 加载手写字符识别数据集

X = digits.data  # 特征值

y = digits.target  # 目标值

X.shape, y.shape

((1797, 64), (1797,))

划分70%训练集，30%测试集，

from sklearn.model_selection import train_test_split

# 划分数据集，70% 训练数据和 30% 测试数据

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

X_train.shape, X_test.shape, y_train.shape, y_test.shape

((1257, 64), (540, 64), (1257,), (540,))

使用默认参数，

import xgboost as xgb

model_c = xgb.XGBClassifier()

model_c

XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,

colsample_bynode=1, colsample_bytree=1, gamma=0, learning_rate=0.1,

max_delta_step=0, max_depth=3, min_child_weight=1, missing=None,

n_estimators=100, n_jobs=1, nthread=None,

objective='binary:logistic', random_state=0, reg_alpha=0,

reg_lambda=1, scale_pos_weight=1, seed=None, silent=None,

subsample=1, verbosity=1)

参数解释：

max_depth – 基学习器的最大树深度。

learning_rate – Boosting 学习率。

n_estimators – 决策树的数量。

gamma – 惩罚项系数，指定节点分裂所需的最小损失函数下降值。

booster – 指定提升算法：gbtree, gblinear or dart。

n_jobs – 指定多线程数量。

reg_alpha – L1 正则权重。

reg_lambda – L2 正则权重。

scale_pos_weight – 正负权重平衡。

random_state – 随机数种子。

model_c.fit(X_train, y_train)  # 使用训练数据训练

model_c.score(X_test, y_test)  # 使用测试数据计算准确度

0.9592592592592593

简单调参：

max_depth	result
1	0.912962962962963
2	0.9666666666666667
3	0.9592592592592593
4	0.9629629629629629
5	0.9537037037037037
6	0.9537037037037037

max_depth=2时效果最好。

learning_rate	result
0.05	0.9148148148148149
0.1	0.9666666666666667
0.15	0.9777777777777777
0.2	0.9814814814814815
0.25	0.9851851851851852
0.3	0.9796296296296296
0.35	0.9851851851851852
0.4	0.9851851851851852

learning_rate设置为0.25比较好。

n_estimators	result
50	0.9722222222222222
75	0.9777777777777777
100	0.9851851851851852
125	0.987037037037037
150	0.987037037037037
200	0.987037037037037

n_estimators设置为125比较好。

经过调参，准确率从95.9%提高到了98.7%。

from matplotlib import pyplot as plt

from matplotlib.pylab import rcParams

%matplotlib inline

# 设置图像大小

rcParams['figure.figsize'] = [50, 10]

xgb.plot_tree(model_c, num_trees=1)

回归问题

1. 波士顿房价预测问题

from sklearn.datasets import load_boston

boston = load_boston()

X = boston.data  # 特征值

y = boston.target  # 目标值

# 划分数据集，80% 训练数据和 20% 测试数据

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

X_train.shape, X_test.shape, y_train.shape, y_test.shape

((404, 13), (102, 13), (404,), (102,))

默认参数：

model_r = xgb.XGBRegressor()

model_r

XGBRegressor(base_score=0.5, booster='gbtree', colsample_bylevel=1,

colsample_bynode=1, colsample_bytree=1, gamma=0,

importance_type='gain', learning_rate=0.1, max_delta_step=0,

max_depth=3, min_child_weight=1, missing=None, n_estimators=100,

n_jobs=1, nthread=None, objective='reg:linear', random_state=0,

reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=None,

silent=None, subsample=1, verbosity=1)

model_r.fit(X_train, y_train)  # 使用训练数据训练

model_r.score(X_test, y_test)  # 使用测试数据计算 R^2 评估指标

0.811524182952107

参考资料

scikit-learn toy datasets doc.

实验楼-XGBoost 梯度提升基础课程

巴特西