介紹
你知道 XGBoost 算法是一種現(xiàn)在在數(shù)據(jù)科學(xué)競賽的獲勝方案很流行的算法嗎?
那么，他比傳統(tǒng)的隨機森林和神經(jīng)網(wǎng)絡(luò)算法強在哪里呢？廣義上來說，它在效率，準(zhǔn)確性，可行性都更有優(yōu)勢（接下來我們將會詳細(xì)討論）。
在最近的幾年中，模型預(yù)測已經(jīng)變得越來越快速和準(zhǔn)確了。我記得我曾花費數(shù)個小時在為某個模型構(gòu)建特征工程上，模型卻僅僅提升了幾個百分點。
現(xiàn)在，這些大量困難的問題都被更好的算法所解決。
從技術(shù)上說，XGBoost 是 Extreme Gradient Boosting 的縮寫。它的流行源于在著名的Kaggle數(shù)據(jù)科學(xué)競賽上被稱為"奧托分類"的挑戰(zhàn)。
2015年8月，Xgboost的R包發(fā)布，我們將在本文引用0.4-2版本的xgboost包。
在這篇文章中，我講解釋一個簡單的方式來使用xgboost在R中。 因此，下次當(dāng)你建立一個模型時可以考慮一下這個算法。我確信這是一個令人驚艷和幸福的時刻。
什么是 XGBoost?
xgboost 是"極端梯度上升"(Extreme Gradient Boosting)的簡稱, 它類似于梯度上升框架，但是更加高效。它兼具線性模型求解器和樹學(xué)習(xí)算法。因此，它快速的秘訣在于算法在單機上也可以并行計算的能力。
這使得xgboost至少比現(xiàn)有的梯度上升實現(xiàn)有至少10倍的提升。它提供多種目標(biāo)函數(shù)，包括回歸，分類和排序。
由于它在預(yù)測性能上的強大但是相對緩慢的實現(xiàn)，"xgboost" 成為很多比賽的理想選擇。
它還有做交叉驗證和發(fā)現(xiàn)關(guān)鍵變量的額外功能。在優(yōu)化模型時，這個算法還有非常多的參數(shù)需要調(diào)整。我們將在下一個章節(jié)討論這些因素。
使用XGBoost數(shù)據(jù)的準(zhǔn)備
XGBoost僅適用于數(shù)值型向量。是的!你需要使用中區(qū)分?jǐn)?shù)據(jù)類型。
因此,您需要將所有其他形式的數(shù)據(jù)轉(zhuǎn)換為數(shù)值型向量。一個簡單的方法將類別變量轉(zhuǎn)換成數(shù)值向量是一個"獨熱編碼"。這個詞源于數(shù)字電路語言,這意味著一個數(shù)組的二進(jìn)制信號,只有合法的值是0和1。
在R中,一個獨熱編碼非常簡單。這一步(如下所示)會在每一個可能值的變量使用標(biāo)志建立一個稀疏矩陣。稀疏矩陣是一個矩陣的零的值。稀疏矩陣是一個大多數(shù)值為零的矩陣。相反,一個稠密矩陣是大多數(shù)值非零的矩陣。
假設(shè),你有一個叫“競選”的數(shù)據(jù)集，除了反應(yīng)變量，想將所有分類變量轉(zhuǎn)換成一些標(biāo)志。如下所示:
sparse_matrix <- sparse.model.matrix(response ~ .-1, data = campaign)
現(xiàn)在讓我們分解這個代碼如下:
- “sparse.model。matrix”這條命令的圓括號里面包含了所有其他輸入?yún)?shù)。
- 參數(shù)“反應(yīng)”說這句話應(yīng)該忽略“響應(yīng)”變量。
- “-1”意味著該命令會刪除矩陣的第一列。
- 最后你需要指定數(shù)據(jù)集名稱。
想要轉(zhuǎn)化目標(biāo)變量,你可以使用下面的代碼:
output_vector = df[,response] == "Responder"
代碼解釋：
- 設(shè) output_vector 初值為0。
- 在 output_vector 中，將響應(yīng)變量的值為 "Responder" 的數(shù)值設(shè)為1；
- 返回 output_vector。
在R中運用Xgboost建立模型
可以使用xgboost破解任何數(shù)據(jù)問題，下面是簡單的步驟:
第一步:加載的所有庫
library(xgboost)
library(readr)
library(stringr)
library(caret)
library(car)
第二步:加載數(shù)據(jù)集
(這里我用一個銀行的數(shù)據(jù),我們需要找到一個客戶是否有資格獲得貸款)。
set.seed(100)
setwd("C:\\Users\\ts93856\\Desktop\\datasource")
# 加載數(shù)據(jù)
df_train = read_csv("train_users_2.csv")
df_test = read_csv("test_users.csv")
# 加載標(biāo)簽的訓(xùn)練數(shù)據(jù)
labels = df_train['labels']
df_train = df_train[-grep('labels', colnames(df_train))]
# combine train and test data
df_all = rbind(df_train,df_test)
第三步:數(shù)據(jù)清洗和特征工程
# 清洗變量 : 這里我篩選出年齡不到14歲或超過100的人
df_all[df_all$age < 14 | df_all$age > 100,'age'] <- -1
df_all$age[df_all$age < 0] <- mean(df_all$age[df_all$age > 0])
# 獨熱編碼分類特征
ohe_feats = c('gender', 'education', 'employer')
dummies <- dummyVars(~ gender + education + employer, data = df_all)
df_all_ohe <- as.data.frame(predict(dummies, newdata = df_all))
df_all_combined <- cbind(df_all[,-c(which(colnames(df_all) %in% ohe_feats))],df_all_ohe)df_all_combined$agena <- as.factor(ifelse(df_all_combined$age < 0,1,0))
我在 “feature_selected” 中為模型提供一組變量可供使用。本文后面會分享我在選擇變量中一個快速又巧妙的方法。
df_all_combined <- df_all_combined[,c('id',features_selected)]
# split train and test
X = df_all_combined[df_all_combined$id %in% df_train$id,]
y <- recode(labels$labels,"'True'=1; 'False'=0)
X_test = df_all_combined[df_all_combined$id %in% df_test$id,]
第四步:調(diào)整和運行模式
xgb <- xgboost(data = data.matrix(X[,-1]),
label = y,
eta = 0.1,
max_depth = 15,
nround=25,
subsample = 0.5,
colsample_bytree = 0.5,
seed = 1,
eval_metric = "merror",
objective = "multi:softprob",
num_class = 12,
nthread = 3
)
第五步:測試分?jǐn)?shù)
您現(xiàn)在有了一個對象“xgb”,這是一個xgboost模型。下面是是如何評分測試數(shù)量:
# 在測試集預(yù)測的值
y_pred <- predict(xgb, data.matrix(X_test[,-1]))
在 Xgboost 中使用參數(shù)
我明白,現(xiàn)在,你會非常好奇地想知道用于xgboost模型的各種參數(shù)。它有三種類型的參數(shù):通用參數(shù)、輔助參數(shù)和任務(wù)參數(shù)。
- 通用參數(shù)為我們提供在上升過程中選擇哪種上升模型。常用的是樹或線性模型。
- 輔助參數(shù)取決于你選擇的上升模型。
- 任務(wù)參數(shù),決定學(xué)習(xí)場景,例如,回歸任務(wù)在排序任務(wù)中可能使用不同的參數(shù)。
讓我們詳細(xì)了解這些參數(shù)。我需要你注意，這是實現(xiàn)xgboost算法最關(guān)鍵的部分:
一般參數(shù)
- silent : 默認(rèn)值是0。您需要指定0連續(xù)打印消息,靜默模式1。
- booster : 默認(rèn)值是gbtree。你需要指定要使用的上升模型:gbtree(樹)或gblinear(線性函數(shù))。
- num_pbuffer : 這是由xgboost自動設(shè)置,不需要由用戶設(shè)定。閱讀xgboost文檔的更多細(xì)節(jié)。
- num_feature : 這是由xgboost自動設(shè)置,不需要由用戶設(shè)定。
輔助參數(shù)
具體參數(shù)樹狀圖：
eta：默認(rèn)值設(shè)置為0.3。您需要指定用于更新步長收縮來防止過度擬合。每個提升步驟后,我們可以直接獲得新特性的權(quán)重。實際上 eta 收縮特征權(quán)重的提高過程更為保守。范圍是0到1。低η值意味著模型過度擬合更健壯。
gamma:默認(rèn)值設(shè)置為0。您需要指定最小損失減少應(yīng)進(jìn)一步劃分樹的葉節(jié)點。
更大,更保守的算法。范圍是0到∞。γ越大算法越保守。max_depth:默認(rèn)值設(shè)置為6。您需要指定一個樹的最大深度。參數(shù)范圍是1到∞。
min_child_weight:默認(rèn)值設(shè)置為1。您需要在子樹中指定最小的（海塞）實例權(quán)重的和，然后這個構(gòu)建過程將放棄進(jìn)一步的分割。在線性回歸模式中，在每個節(jié)點最少所需實例數(shù)量將簡單的同時部署。更大,更保守的算法。參數(shù)范圍是0到∞。
max_delta_step：默認(rèn)值設(shè)置為0。max_delta_step 允許我們估計每棵樹的權(quán)重。如果該值設(shè)置為0,這意味著沒有約束。
如果它被設(shè)置為一個正值,它可以幫助更新步驟更為保守。通常不需要此參數(shù),但是在邏輯回歸中當(dāng)分類是極為不均衡時需要用到。將其設(shè)置為1 - 10的價值可能有助于控制更新。參數(shù)范圍是0到∞。subsample： 默認(rèn)值設(shè)置為1。您需要指定訓(xùn)練實例的子樣品比。
設(shè)置為0.5意味著XGBoost隨機收集一半的數(shù)據(jù)實例來生成樹來防止過度擬合。參數(shù)范圍是0到1。colsample_bytree : 默認(rèn)值設(shè)置為1。在構(gòu)建每棵樹時,您需要指定列的子樣品比。范圍是0到1。
線性上升具體參數(shù)
lambda and alpha : 這些都是正則化項權(quán)重。λ默認(rèn)值假設(shè)是1和α= 0。
lambda_bias : L2正則化項在偏差上的默認(rèn)值為0。
任務(wù)參數(shù)
- base_score : 默認(rèn)值設(shè)置為0.5。您需要指定初始預(yù)測分?jǐn)?shù)作為全局偏差。
- objective : 默認(rèn)值設(shè)置為reg:linear。您需要指定你想要的類型的學(xué)習(xí)者,包括線性回歸、邏輯回歸、泊松回歸等。
- eval_metric : 您需要指定驗證數(shù)據(jù)的評估指標(biāo),一個默認(rèn)的指標(biāo)分配根據(jù)客觀(rmse回歸,錯誤分類,意味著平均精度等級
- seed : 隨機數(shù)種子，確保重現(xiàn)數(shù)據(jù)相同的輸出。
xgboost的高級函數(shù)性
與其他機器學(xué)習(xí)技術(shù)相比,我發(fā)現(xiàn)xgboost很簡單的實現(xiàn)。如果你做了所有我們所做的,直到現(xiàn)在,你已經(jīng)有了一個模型。
讓我們進(jìn)一步嘗試找出模型中重要的變量并且縮小我們變量列表。
#讓我們開始尋找實際的樹是什么樣子吧
model <- xgb.dump(xgb, with.stats = T)
model[1:10] #This statement prints top 10 nodes of the model
# 獲得特征的真實名稱
names <- dimnames(data.matrix(X[,-1]))[[2]]
# 計算特征重要性矩陣
importance_matrix <- xgb.importance(names, model = xgb)
# 制圖
xgb.plot.importance(importance_matrix[1:10,])
# 在最后一步如果失效可能是因為版本問題,你可以嘗試:
barplot(importance_matrix[,1])
可以觀察到,許多變量是不值得使用到我們的模型中。您可以方便地刪除這些變量并再次運行模型。這一次你可以期待一個更好的精度。
測試結(jié)果是否有意義
假設(shè)年齡為從上面的分析是最重要的變量，這是一個簡單的卡方檢驗，來檢驗它是否是真正重要的變量。
test <- chisq.test(train$Age, output_vector)
print(test)
我們可以對所有重要變量做相同的處理。這將顯示出模型是否準(zhǔn)確地識別所有可能的重要變量。
尾注
通過本文,您可以構(gòu)建一個簡單的xgboost模型。對比其他類似的模型這個算法的速度將會令你感到驚奇。本文已經(jīng)討論了在R中使用xgboost算法各個方面的情況, 最重要的是你必須將你的數(shù)據(jù)類型轉(zhuǎn)換成數(shù)值型,否則該算法不能工作。
我建議你注意這些參數(shù)，它們會決定任何模型的成敗。如果你仍然發(fā)現(xiàn)這些參數(shù)很難理解,可以在評論區(qū)留言討論。
參考資料
作為分享主義者(sharism)，本人所有互聯(lián)網(wǎng)發(fā)布的圖文均遵從CC版權(quán)，轉(zhuǎn)載請保留作者信息并注明作者 Harry Zhu 的 FinanceR專欄:https://segmentfault.com/blog/harryprince，如果涉及源代碼請注明GitHub地址：https://github.com/harryprince。微信號: harryzhustudio
商業(yè)使用請聯(lián)系作者。
