代码收藏家 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
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
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。
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.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。关于分类任务的评估值详解见本人另一篇文章《sklearn模型评估指标详解——分类任务》。特殊强调：这些评分标准适用于所有分类问题，不只是XGBoost，其他的分类模型同样适用(KNN、SVM、GBDT、LigthGBM等)，并且多分类问题也同样适用。计算来源于y_ture和y_pred的比较，所以与使用什么样的模型无关，只与真实值和预测值有关。而回归问题应该采用其他合适的评估指标，例如最常用的MSE值、r2等。
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。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_xgbclf.save_model('xgboost_classifier_model.model')
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
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。
来源：赫加青空
