摘要：一個(gè)簡(jiǎn)單的方法將類別變量轉(zhuǎn)換成數(shù)值向量是一個(gè)獨(dú)熱編碼。在中一個(gè)獨(dú)熱編碼非常簡(jiǎn)單。在線性回歸模式中，在每個(gè)節(jié)點(diǎn)最少所需實(shí)例數(shù)量將簡(jiǎn)單的同時(shí)部署。

你知道 XGBoost 算法是一種現(xiàn)在在數(shù)據(jù)科學(xué)競(jìng)賽的獲勝方案很流行的算法嗎?

那么，他比傳統(tǒng)的隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)算法強(qiáng)在哪里呢？廣義上來(lái)說(shuō)，它在效率，準(zhǔn)確性，可行性都更有優(yōu)勢(shì)（接下來(lái)我們將會(huì)詳細(xì)討論）。

在最近的幾年中，模型預(yù)測(cè)已經(jīng)變得越來(lái)越快速和準(zhǔn)確了。我記得我曾花費(fèi)數(shù)個(gè)小時(shí)在為某個(gè)模型構(gòu)建特征工程上，模型卻僅僅提升了幾個(gè)百分點(diǎn)。

現(xiàn)在，這些大量困難的問(wèn)題都被更好的算法所解決。

從技術(shù)上說(shuō)，XGBoost 是 Extreme Gradient Boosting 的縮寫(xiě)。它的流行源于在著名的Kaggle數(shù)據(jù)科學(xué)競(jìng)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(gè)簡(jiǎn)單的方式來(lái)使用xgboost在R中。 因此，下次當(dāng)你建立一個(gè)模型時(shí)可以考慮一下這個(gè)算法。我確信這是一個(gè)令人驚艷和幸福的時(shí)刻。

xgboost 是"極端梯度上升"(Extreme Gradient Boosting)的簡(jiǎn)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(shù)學(xué)習(xí)算法。因此，它快速的秘訣在于算法在單機(jī)上也可以并行計(jì)算的能力。

這使得xgboost至少比現(xiàn)有的梯度上升實(shí)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(cè)性能上的強(qiáng)大但是相對(duì)緩慢的實(shí)現(xiàn)，"xgboost" 成為很多比賽的理想選擇。
它還有做交叉驗(yàn)證和發(fā)現(xiàn)關(guān)鍵變量的額外功能。在優(yōu)化模型時(shí)，這個(gè)算法還有非常多的參數(shù)需要調(diào)整。我們將在下一個(gè)章節(jié)討論這些因素。

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(gè)簡(jiǎn)單的方法將類別變量轉(zhuǎn)換成數(shù)值向量是一個(gè)"獨(dú)熱編碼"。這個(gè)詞源于數(shù)字電路語(yǔ)言,這意味著一個(gè)數(shù)組的二進(jìn)制信號(hào),只有合法的值是0和1。

在R中,一個(gè)獨(dú)熱編碼非常簡(jiǎn)單。這一步(如下所示)會(huì)在每一個(gè)可能值的變量使用標(biāo)志建立一個(gè)稀疏矩陣。稀疏矩陣是一個(gè)矩陣的零的值。稀疏矩陣是一個(gè)大多數(shù)值為零的矩陣。相反,一個(gè)稠密矩陣是大多數(shù)值非零的矩陣。

假設(shè),你有一個(gè)叫“競(jìng)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 <- Matrix::sparse.model.matrix(response ~ .-1, data = campaign)

現(xiàn)在讓我們分解這個(gè)代碼如下:

sparse.model.matrix這條命令的圓括號(hào)里面包含了所有其他輸入?yún)?shù)。

參數(shù)“反應(yīng)”說(shuō)這句話應(yīng)該忽略“響應(yīng)”變量。

“-1”意味著該命令會(huì)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。

可以使用xgboost破解任何數(shù)據(jù)問(wèn)題，下面是簡(jiǎn)單的步驟:

library(xgboost)
library(readr)
library(stringr)
library(caret)
library(car)

(這里我用一個(gè)銀行的數(shù)據(jù),我們需要找到一個(gè)客戶是否有資格獲得貸款)。

set.seed(100)
setwd("C:Users	s93856Desktopdatasource")
# 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)

# 清洗變量 :  這里我篩選出年齡不到14歲或超過(guò)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(dú)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(huì)分享我在選擇變量中一個(gè)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,]

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
)

您現(xiàn)在有了一個(gè)對(duì)象“xgb”,這是一個(gè)xgboost模型。下面是是如何評(píng)分測(cè)試數(shù)量:

# 在測(cè)試集預(yù)測(cè)的值
y_pred <- predict(xgb, data.matrix(X_test[,-1]))

我明白,現(xiàn)在,你會(huì)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(guò)程中選擇哪種上升模型。常用的是樹(shù)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(chǎng)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?cè)敿?xì)了解這些參數(shù)。我需要你注意，這是實(shí)現(xiàn)xgboost算法最關(guān)鍵的部分:

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(shù))或gblinear(線性函數(shù))。

num_pbuffer : 這是由xgboost自動(dòng)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(dòng)設(shè)置,不需要由用戶設(shè)定。

具體參數(shù)樹(shù)狀圖：

eta：默認(rèn)值設(shè)置為0.3。您需要指定用于更新步長(zhǎng)收縮來(lái)防止過(guò)度擬合。每個(gè)提升步驟后,我們可以直接獲得新特性的權(quán)重。實(shí)際上 eta 收縮特征權(quán)重的提高過(guò)程更為保守。范圍是0到1。低η值意味著模型過(guò)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(shù)的葉節(jié)點(diǎn)。

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(gè)樹(shù)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(shù)中指定最小的（海塞）實(shí)例權(quán)重的和，然后這個(gè)構(gòu)建過(guò)程將放棄進(jìn)一步的分割。在線性回歸模式中，在每個(gè)節(jié)點(diǎn)最少所需實(shí)例數(shù)量將簡(jiǎn)單的同時(shí)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(jì)每棵樹(shù)的權(quán)重。如果該值設(shè)置為0,這意味著沒(méi)有約束。

如果它被設(shè)置為一個(gè)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(shí)需要用到。將其設(shè)置為1 - 10的價(jià)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(shí)例的子樣品比。

設(shè)置為0.5意味著XGBoost隨機(jī)收集一半的數(shù)據(jù)實(shí)例來(lái)生成樹(shù)來(lái)防止過(guò)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(shù)時(shí),您需要指定列的子樣品比。范圍是0到1。

lambda and alpha : 這些都是正則化項(xiàng)權(quán)重。λ默認(rèn)值假設(shè)是1和α= 0。

lambda_bias : L2正則化項(xiàng)在偏差上的默認(rèn)值為0。

base_score : 默認(rèn)值設(shè)置為0.5。您需要指定初始預(yù)測(cè)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(yàn)證數(shù)據(jù)的評(píng)估指標(biāo),一個(gè)默認(rèn)的指標(biāo)分配根據(jù)客觀(rmse回歸,錯(cuò)誤分類,意味著平均精度等級(jí)

seed : 隨機(jī)數(shù)種子，確保重現(xiàn)數(shù)據(jù)相同的輸出。

與其他機(jī)器學(xué)習(xí)技術(shù)相比,我發(fā)現(xiàn)xgboost很簡(jiǎn)單的實(shí)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(gè)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(kāi)始尋找實(shí)際的樹(shù)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(shí)名稱
names <- dimnames(data.matrix(X[,-1]))[[2]]

# 計(jì)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?yàn)榘姹締?wèn)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(yùn)行模型。這一次你可以期待一個(gè)更好的精度。

假設(shè)年齡為從上面的分析是最重要的變量，這是一個(gè)簡(jiǎn)單的卡方檢驗(yàn)，來(lái)檢驗(yàn)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(duì)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(shí)別所有可能的重要變量。

通過(guò)本文,您可以構(gòu)建一個(gè)簡(jiǎn)單的xgboost模型。對(duì)比其他類似的模型這個(gè)算法的速度將會(huì)令你感到驚奇。本文已經(jīng)討論了在R中使用xgboost算法各個(gè)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(huì)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(píng)論區(qū)留言討論。

xgboost: 速度快效果好的boosting模型

xgboost文檔

英文原文地址

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(qǐng)保留作者信息并注明作者 Harry Zhu 的 FinanceR專欄:https://segmentfault.com/blog...，如果涉及源代碼請(qǐng)注明GitHub地址：https://github.com/harryprince。微信號(hào): harryzhustudio
商業(yè)使用請(qǐng)聯(lián)系作者。