la práctica algoritmo de aprendizaje sklearn XGBoost

xgboost Chen Tianqi es un gran Dios fuera fuera matanza grande, esperé mucho tiempo nuevas acusaciones no han instalado en la buena mac, analiza una variedad de tutoriales de instalación, y más tarde se encontró una instalación frase, otro gran anaconda matanza, muy fragante ~

Después de instalar la utilización directa, xgboost gbdt es una versión mejorada, más potente, en paralelo. Hace dos años, básicamente ocupados Kaggle, poniendo los otros algoritmos.

import numpy as np
import random
import sklearn
import pandas as pd
from xgboost import XGBClassifier
from xgboost import plot_importance
from sklearn import metrics
from sklearn.model_selection import train_test_split
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"


column_names = ['uin', 'gender', 'age', 'play_cnt', 'share_cnt', 'influence_pv', 'ds1', 'ds2', 'ds3', 'label']

data = pd.read_csv('lr_feature.csv', usecols=[0, 1, 2, 3, 4, 5, 6, 7, 8, 9], names=column_names)
print(data.head(10))

# 分训练集测试集
X_train, X_test, y_train, y_test = train_test_split(data[column_names[1:6]], data[column_names[9]],
                                                    test_size=0.25, random_state=3)


model = XGBClassifier(learning_rate=0.01,
                      n_estimators=10,           # 树的个数-10棵树建立xgboost
                      max_depth=3,               # 树的深度
                      min_child_weight=1,        # 叶子节点最小权重
                      gamma=0.,                  # 惩罚项中叶子结点个数前的参数
                      subsample=1,               # 所有样本建立决策树
                      colsample_btree=1,         # 所有特征建立决策树
                      scale_pos_weight=1,        # 解决样本个数不平衡的问题
                      random_state=27,           # 随机数
                      slient=0
                      )
model.fit(X_train, y_train)

# 预测
y_test, y_pred = y_test, model.predict(X_test)
print("Accuracy: %.4g" % metrics.accuracy_score(y_test, y_pred))
print("F1_score: %.4g" % metrics.f1_score(y_test, y_pred))
print("Recall: %.4g" % metrics.recall_score(y_test, y_pred))
y_train_proba = model.predict_proba(X_train)[:, 1]
print("AUC Score (Train): %f" % metrics.roc_auc_score(y_train, y_train_proba))
y_proba = model.predict_proba(X_test)[:, 1]
print("AUC Score (Test): %f" % metrics.roc_auc_score(y_test, y_proba))

El resultado:

       uin  gender  age  play_cnt  share_cnt  influence_pv  ds1  ds2  ds3  label
0  1889812       2   67         2          1             0    0    2    2    0.0
1  1966339       2   69       747         92           194   15   15   30    1.0
2  1982539       2   66      1165        104            40   12   12   24    1.0
3  2131170       3   78        53        146           117    9    3   12    1.0
4  4471700       3   81         2          0             0    1    3    4    0.0
5  4921331       3   79      1634        176           178   15   15   30    1.0
6  5441180       3   68         0          4             0    0    4    4    0.0
7  6144422       2   79       109         23            25   10   14   24    1.0
8  6807020       3   72       418         54            90   11   11   22    1.0
9  7015648       3   76       144          9            15   11    7   18    1.0
Accuracy: 0.9668
F1_score: 0.97
Recall: 0.9693
AUC Score (Train): 0.989206
AUC Score (Test): 0.988982

Se utilizó en el que relativamente pequeño, y por lo tanto sólo la profundidad del árbol se establece en 3, el número es 10, los otros parámetros básicos con valores por defecto, cuando se compara con el número de características cuando la transferencia es participantes más importantes seleccionar un buen conjunto de parámetros de efectos características de ingeniería son propensos a hacer así que gastar tiempo y energía. Programación de referencia detalles puede ser 1,2. Hay muchos estudiantes en línea pueden ver algunos de los blog.

referencias:

1. https://zhuanlan.zhihu.com/p/52501965
2. https://zhuanlan.zhihu.com/p/68864414
3. https://blog.csdn.net/sinat_20177327/article/details/81090324
4. https://blog.csdn.net/han_xiaoyang/article/details/52665396