1500字范文 > 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

时间：2021-05-10 19:05:17

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

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-parameterssklearn评估指标(Metrics) https://scikit-/stable/modules/model_evaluation.html"""import numpy as npimport pandas as pdimport matplotlib.pyplot as pltfrom sklearn.model_selection import train_test_split, GridSearchCVfrom sklearn.metrics import accuracy_score, roc_auc_score, f1_scoreimport xgboost as xgbfrom xgboost import XGBClassifier, plot_importanceimport warningswarnings.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=55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.indexparameters_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。

2.2详细的调参过程

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。

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。

def xgboost_parameters():"""模型调参过程"""# 第一步：确定迭代次数 n_estimators# 参数的最佳取值：{'n_estimators': 50}# 最佳模型得分:0.9180952380952381# params = {'n_estimators': [5, 10, 50, 75, 100, 200]}# 第二步：min_child_weight[default=1],range: [0,∞] 和 max_depth[default=6],range: [0,∞]# min_child_weight:如果树分区步骤导致叶节点的实例权重之和小于min_child_weight,那么构建过程将放弃进一步的分区,最小子权重越大,算法就越保守# max_depth:树的最大深度,增加该值将使模型更复杂,更可能过度拟合,0表示深度没有限制# 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]}# 第三步:gamma[default=0, alias: min_split_loss],range: [0,∞]# gamma:在树的叶子节点上进行进一步分区所需的最小损失下降,gamma越大,算法就越保守# 参数的最佳取值：{'gamma': 0.1}# 最佳模型得分:0.9247619047619049# params = {'gamma': [0.05, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6]}# 第四步：subsample[default=1],range: (0,1] 和 colsample_bytree[default=1],range: (0,1]# subsample:训练实例的子样本比率。将其设置为0.5意味着XGBoost将在种植树木之前随机抽样一半的训练数据。这将防止过度安装。每一次提升迭代中都会进行一次子采样。# colsample_bytree:用于列的子采样的参数,用来控制每颗树随机采样的列数的占比。有利于满足多样性要求,避免过拟合# 参数的最佳取值：{'colsample_bytree': 1, 'subsample': 1}# 最佳模型得分:0.9247619047619049, 无提高即默认值# params = {'subsample': [0.6, 0.7, 0.8, 0.9, 1], 'colsample_bytree': [0.6, 0.7, 0.8, 0.9, 1]}# 第五步：alpha[default=0, alias: reg_alpha], 和 lambda[default=1, alias: reg_lambda]# alpha:L1关于权重的正则化项。增加该值将使模型更加保守# lambda:关于权重的L2正则化项。增加该值将使模型更加保守# 参数的最佳取值：{'reg_alpha': 0.01, 'reg_lambda': 3}# 最佳模型得分:0.9380952380952381# params = {'alpha': [0.01, 0.02, 0.03, 0.04, 0.05, 0.1, 1, 2, 3], 'lambda': [0.05, 0.1, 1, 2, 3, 4]}# 第六步：learning_rate[default=0.3, alias: eta],range: [0,1]# learning_rate:一般这时候要调小学习率来测试,学习率越小训练速度越慢,模型可靠性越高,但并非越小越好# 参数的最佳取值：{'learning_rate': 0.3}# 最佳模型得分:0.9380952380952381, 无提高即默认值params = {'learning_rate': [0.01, 0.05, 0.07, 0.1, 0.2, 0.25, 0.3, 0.4]}# 其他参数设置，每次调参将确定的参数加入fine_params = {'n_estimators': 50, 'max_depth': 2, 'min_child_weight': 1, 'gamma': 0.1, 'colsample_bytree': 1,'subsample': 1, 'reg_alpha': 0.01, 'reg_lambda': 3, 'learning_rate': 0.3}return params, fine_params

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

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.valuesprint('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

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。

四.模型加载与预测

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