XGBoost模型调参、训练、保存、评估和预测 |
您所在的位置：网站首页 › python 模型保存 › XGBoost模型调参、训练、保存、评估和预测 |
XGBoost模型调参、训练、保存、评估和预测
|
XGBoost在二分类问题中的使用
一.前期准备工作1.1工具包和参数的简单说明1.2划分训练集和验证集
二.模型调参2.1调参示例2.2详细的调参过程
三.模型训练与保存3.1模型训练、验证、评估及特征重要性提取3.2模型训练与保存
四.模型加载与预测五.附加-模型的评估与理解
一.前期准备工作
1.1工具包和参数的简单说明
本文中脚本编写时使用的库版本如下，scikit-learn==0.24.1 、xgboost==1.6.1 、graphviz==0.20.1、pandas==1.2.4，如果使用中碰到问题，分别执行下方pip命令重新安装库即可 # 查看安装库版本 pip list 显示所有库及对应版本 pip list | find "scikit-learn" # 卸载当前库，卸载非必须操作，不卸载可以直接覆盖 pip uninstall scikit-learn # 使用清华园镜像安装对应版本库 pip install scikit-learn==0.24.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/ pip install xgboost==1.6.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/ pip install graphviz==0.20.1 -i https://pypi.tuna.tsinghua.edu.cn/simple/ pip install pandas==1.2.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/xgboost的XGBClassifier方法是分类模型，具体模型参数见xgboost官网参数(default)； sklearn.model_selection的GridSearchCV是用来调参的方法； sklearn.metrics的ccuracy_score, roc_auc_score, f1_score做分类问题的评分指标，其他指标见官网sklearn评估指标(Metrics)； """ xgboost模型调参、训练、保存、预测 官网信息辅助理解： xgboost官网参数(default) https://xgboost.readthedocs.io/en/latest/parameter.html#general-parameters sklearn评估指标(Metrics) https://scikit-learn.org/stable/modules/model_evaluation.html """ import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split, GridSearchCV from sklearn.metrics import accuracy_score, roc_auc_score, f1_score import xgboost as xgb from xgboost import XGBClassifier, plot_importance import warnings warnings.filterwarnings('ignore') plt.rcParams['font.family'] = ['sans-serif'] plt.rcParams['font.sans-serif'] = ['SimHei'] 1.2划分训练集和验证集百度网盘提取数据和完整脚本（提取码：54ul）无论训练集、验证集还是测试集，输入的数据都是数值型。XGBoost本身无法处理定性数据（分类数据和顺序数据），而是像随机森林一样，只接受定量数据。因此训练和测试数据必须通过各种编码方式：例如标记编码、均值编码或独热编码对数据进行处理。 # 数据集 dataset = pd.read_csv('Oil_well_parameters_train.csv', engine='python') # 划分训练集和验证集 X_train, X_test, y_train, y_test = train_test_split(dataset.iloc[:, :-1], dataset.iloc[:, -1], test_size=0.2, random_state=42) 二.模型调参调参策略：逐个或逐类参数调整，避免所有参数一起调整导致模型复杂度过高。因此，调参过程分多步进行，每次调整相同类型的参数。 2.1调参示例假设第一步n_estimators迭代次数已调参完毕，最佳参数为50，进行第二部调参演示，其余调参步骤按步进行，每次将确认好的最佳参数添加到fine_params字典中。 def xgboost_parameters(): """模型调参过程""" # 第二步：min_child_weight 以及 max_depth # 参数的最佳取值：{'max_depth': 2, 'min_child_weight': 1} # 最佳模型得分:0.9180952380952381，模型分数未提高 params = {'max_depth': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10], 'min_child_weight': [1, 2, 3, 4, 5, 6]} # 其他参数设置，每次调参将确定的参数加入，不写即默认参数 fine_params = {'n_estimators': 50} return params, fine_params模型调参过程会输出每个组合的平均得分值。根据GridSearchCV参数指定使用roc_auc为评分指标，进行cv=5 5折交叉验证，返回的平均得分即为5折交叉验证auc值的平均值。 def model_adjust_parameters(cv_params, other_params): """模型调参""" # 模型基本参数 model = XGBClassifier(**other_params) # sklearn提供的调参工具，训练集k折交叉验证 optimized_param = GridSearchCV(estimator=model, param_grid=cv_params, scoring='roc_auc', cv=5, verbose=1) # 模型训练 optimized_param.fit(X_train, y_train) # 对应参数的k折交叉验证平均得分 means = optimized_param.cv_results_['mean_test_score'] params = optimized_param.cv_results_['params'] for mean, param in zip(means, params): print("mean_score: %f, params: %r" % (mean, param)) # 最佳模型参数 print('参数的最佳取值：{0}'.format(optimized_param.best_params_)) # 最佳参数模型得分 print('最佳模型得分:{0}'.format(optimized_param.best_score_)) # 模型参数调整得分变化曲线绘制 parameters_score = pd.DataFrame(params, means) parameters_score['means_score'] = parameters_score.index parameters_score = parameters_score.reset_index(drop=True) parameters_score.to_excel('parameters_score.xlsx', index=False) # 画图 plt.figure(figsize=(15, 12)) plt.subplot(2, 1, 1) plt.plot(parameters_score.iloc[:, :-1], 'o-') plt.legend(parameters_score.columns.to_list()[:-1], loc='upper left') plt.title('Parameters_size', loc='left', fontsize='xx-large', fontweight='heavy') plt.subplot(2, 1, 2) plt.plot(parameters_score.iloc[:, -1], 'r+-') plt.legend(parameters_score.columns.to_list()[-1:], loc='upper left') plt.title('Score', loc='left', fontsize='xx-large', fontweight='heavy') plt.show()调用自定义的调参函数进行调参，根据model_adjust_parameters设定会打印调参信息并画图辅助判断 if __name__ == '__main__': """ 模型调参 调参策略：网格搜索、随机搜索、启发式搜索 补充：此处采用启发式搜索，逐个或逐类参数调整，避免所有参数一起调整导致模型训练复杂度过高 """ # xgboost参数组合 adj_params, fixed_params = xgboost_parameters() # 模型调参 model_adjust_parameters(adj_params, fixed_params)返回参数组合及对应的模型得分 根据图可以清晰观察到随着min_child_weight的变大，得分值减小，所以可以重新设定参数取值，重新执行调参过程。 每次记录最佳参数及其模型得分，便于对比提升度。具体参数需要根据实际项目手动调整，当最佳参数处于最大最小值时，需要扩大参数范围。 gamma[default=0, alias: min_split_loss]指定节点分裂所需的最小损失下降值，取值范围: [0,∞]，值越大，算法越保守。 params = {'gamma': [0.1, 0.3, 0.4, 0.5, 0.6]}时最佳参数若为{'gamma': 0.1}，则需要调整params = {'gamma': [0.05, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6]}，由返回信息和图可观察到gamma=0.05和gamma=0.1模型得分一致，即可确定最佳参数gamma=0.1(也可更细划分)，否则仍需调整参数继续训练。 根据调参确定好的参数训练模型，对验证集数据进行预测，预测结果与验证集标签进行对比给出准确率accuracy、F1值f1_score、auc曲线下面积roc_auc_score，判断模型效果。值得注意的是，模型调参是在训练数据集上进行，并不能保证一定会在测试集得到更好的体现，即在预测时的泛化误差并不一定会有减小。 其中metrics_sklearn() 和feature_importance_selected()两个模块的内容在下方单独写出，便于测试集对模型评估的使用 def model_fit(): """模型训练""" # XGBoost训练过程，下面的参数是调试出来的最佳参数组合 model = XGBClassifier(learning_rate=0.3, n_estimators=50, max_depth=2, min_child_weight=1, subsample=1, colsample_bytree=1, gamma=0.1, reg_alpha=0.01, reg_lambda=3) model.fit(X_train, y_train) # 对验证集进行预测——类别 y_pred = model.predict(X_test) y_test_ = y_test.values print('y_test：', y_test_) print('y_pred：', y_pred) # 对验证集进行预测——概率 y_pred_proba = model.predict_proba(X_test) # 结果类别是1的概率 y_pred_proba_ = [] for i in y_pred_proba.tolist(): y_pred_proba_.append(i[1]) print('y_pred_proba：', y_pred_proba_) # 模型对验证集预测结果评分 metrics_sklearn(y_test_, y_pred) # 模型特征重要性提取、展示和保存 feature_importance_selected(model) return model模型评估：准确率、精准率、召回率、F1值、AUC值的标准调用。 def metrics_sklearn(y_valid, y_pred_): """模型对验证集和测试集结果的评分""" # 准确率 accuracy = accuracy_score(y_valid, y_pred_) print('Accuracy：%.2f%%' % (accuracy * 100)) # 精准率 precision = precision_score(y_valid, y_pred_) print('Precision：%.2f%%' % (precision * 100)) # 召回率 recall = recall_score(y_valid, y_pred_) print('Recall：%.2f%%' % (recall * 100)) # F1值 f1 = f1_score(y_valid, y_pred_) print('F1：%.2f%%' % (f1 * 100)) # auc曲线下面积 auc = roc_auc_score(y_valid, y_pred_) print('AUC：%.2f%%' % (auc * 100)) # ks值 fpr, tpr, thresholds = roc_curve(y_valid, y_pred_) ks = max(abs(fpr - tpr)) print('KS：%.2f%%' % (ks * 100))这里利用model.get_booster().get_fscore() 提取特征重要性为字典格式，plot_importance绘制图形。特殊强调：特征重要性保存到本地的作用是特征的筛选，当数据特征很多时，实际参与分类的特征可能很少。例如：原数据有1000个特征，只有90个有重要性，且重要性大于5的只有30个，其他910个特征并未参与模型的建立和预测。此时可以只取部分有特征重要性的特征(90)或重要性大于某一阈值的特征(30个)入模参与预测。 def feature_importance_selected(clf_model): """模型特征重要性提取与保存""" # 模型特征重要性打印和保存 feature_importance = clf_model.get_booster().get_fscore() feature_importance = sorted(feature_importance.items(), key=lambda x: x[1], reverse=True) feature_ipt = pd.DataFrame(feature_importance, columns=['特征名称', '重要性']) feature_ipt.to_csv('feature_importance.csv', index=False) print('特征重要性:', feature_importance) # 模型特征重要性绘图 plot_importance(clf_model) plt.show() 3.2模型训练与保存模型保存通过save_model实现，保存为.model文件，模型的保存是对训练好的模型结果的持久化。另外，这里也实现了dump_model方法保存模型为.txt格式，便于模型分析、优化和提供可解释性（可解释性详见《Graphviz绘制模型树》，本文不再赘述）。 def model_save_type(clf_model): # 模型训练完成后做持久化，模型保存为model模式，便于调用预测 clf_model.save_model('xgboost_classifier_model.model') # 模型保存为文本格式，便于分析、优化和提供可解释性 clf = clf_model.get_booster() clf.dump_model('dump.txt')实际作业中并不会每次都去训练模型然后应用，加载已保存的模型是常规操作 if __name__ == '__main__': """ 模型训练、评分与保存 结论：训练集k折交叉验证带来的模型评分提升，未必会在测试集上得到提升 """ # 模型训练 model_xgbclf = model_fit() # 模型保存：model和txt两种格式 model_save_type(model_xgbclf)模型验证集预测结果及得分 模型加载过程，需要使用到Booster，不同于常规的load_model方式。模型预测打印预测结果y_pred及类别概率y_pred_proba def model_load(model, x_transform): # 模型加载 clf = xgb.XGBClassifier() booster = xgb.Booster() booster.load_model(model) clf._Booster = booster # 数据预测 y_pred = [round(value) for value in clf.predict(x_transform)] y_pred_proba = clf.predict_proba(x_transform) print('y_pred：', y_pred) print('y_pred_proba：', y_pred_proba)预测数据也要是数值格式，ndarray的格式可以直接用于预测，注意[[]]，一定是两层，即使只有一组数据也要写成两层括号 if __name__ == '__main__': """ 模型加载与数据预测 结论：持久化的模型用来预测数据结果，随着业务的变化模型也需要随之调整 补充：如果有测试集数据，与此预测相同，另外可通过 metrics_sklearn() 模块来进行预测结果评估，以此来判断模型可靠性 """ x_pred = np.array([[0.63, 0.72, 7.6, 85.4, 40, 38, 0.598787852, 0.474784735], [0.39, 0.42, 6.2, 95.4, 39, 38, 0.71287283, 0.5838785491], [0.29, 0.32, 20.43, 92.7, 41, 39, 0.498825525, 0.476575973]]) model_save_load('xgboost_classifier_model.model', x_pred)预测结果如下 1.关于XGBoost的原理内容， 见《XGBoost算法原理及基础知识》 ，包括集成学习方法，XGBoost模型、目标函数、算法，公式推导等； 2.关于分类任务的评估指标值详解， 见《分类任务评估1——推导sklearn分类任务评估指标》，其中包含了详细的推理过程； 见《分类任务评估2——推导ROC曲线、P-R曲线和K-S曲线》，其中包含ROC曲线、P-R曲线和K-S曲线的推导与绘制； 3.关于XGBoost模型中树的绘制和模型理解， 见《Graphviz绘制模型树1——软件配置与XGBoost树的绘制》，包含Graphviz软件的安装和配置，以及to_graphviz()和plot_trees()两个画图函数的部分使用细节； 见《Graphviz绘制模型树2——XGBoost模型的可解释性》，从模型中的树着手解释XGBoost模型，并用EXCEL构建出模型。 4.关于XGBoost实践， 见《机器学习实践(1.1)XGBoost分类任务》，包含二分类、多分类任务以及多分类的评估方法； 见《机器学习实践(1.2)XGBoost回归任务》，包含回归任务模型训练、评估（R2、MSE）。 ❤️ 机器学习内容持续更新中… ❤️ 声明：本文所载信息不保证准确性和完整性。文中所述内容和意见仅供参考，不构成实际商业建议，可收藏可转发但请勿转载，如有雷同纯属巧合。 |
图像绘制结果，便于观察参数变化带来的模型效果走势 
下方代码为参数迭代调整过程，每次将确认好的最佳参数添加到fine_params字典中，然后进行其余参数调参。
特征重要性结果的绘图展示 
特征重要性结果已保存到当前目录下的 feature_importance.csv 文件内，演示用例特征较少，实际项目中会碰到几百个特征，保存起来就很必要了。
【本文地址】
今日新闻 |
推荐新闻 |