转：xgboost特征选择

Xgboost在各大数据挖掘比赛中是一个大杀器，往往可以取得比其他各种机器学习算法更好的效果。数据预处理，特征工程，调参对Xgboost的效果有着非常重要的影响。这里介绍一下运用xgboost的特征选择，运用xgboost的特征选择可以筛选出更加有效的特征代入Xgboost模型。

这里采用的数据集来自于Kaggle | Allstate Claims Severity比赛，这里的训练集如下所示，有116个离散特征（cat1-cat116）,14个连续特征（cont1 -cont14），离散特征用字符串表示，先要对其进行数值化：

[python] view plain copy

1.    id cat1 cat2 cat3 cat4 cat5 cat6 cat7 cat8 cat9   ...        cont6  \  
2. 0   1    A    B    A    B    A    A    A    A    B   ...     0.718367     
3. 1   2    A    B    A    A    A    A    A    A    B   ...     0.438917     
4. 2   5    A    B    A    A    B    A    A    A    B   ...     0.289648     
5. 3  10    B    B    A    B    A    A    A    A    B   ...     0.440945     
6. 4  11    A    B    A    B    A    A    A    A    B   ...     0.178193     
7.   
8.       cont7    cont8    cont9   cont10    cont11    cont12    cont13  \  
9. 0  0.335060  0.30260  0.67135  0.83510  0.569745  0.594646  0.822493     
10. 1  0.436585  0.60087  0.35127  0.43919  0.338312  0.366307  0.611431     
11. 2  0.315545  0.27320  0.26076  0.32446  0.381398  0.373424  0.195709     
12. 3  0.391128  0.31796  0.32128  0.44467  0.327915  0.321570  0.605077     
13. 4  0.247408  0.24564  0.22089  0.21230  0.204687  0.202213  0.246011  

xgboost的特征选择的代码如下：

[python] view plain copy

1. import numpy as np  
2. import pandas as pd  
3. import xgboost as xgb  
4. import operator  
5. import matplotlib.pyplot as plt  
6.   
7. def ceate_feature_map(features):  
8.     outfile = open('xgb.fmap', 'w')  
9.     i = 0  
10.     for feat in features:  
11.         outfile.write('{0}\t{1}\tq\n'.format(i, feat))  
12.         i = i + 1  
13.     outfile.close()  
14.   
15.   
16. if __name__ == '__main__':  
17.     train = pd.read_csv("../input/train.csv")  
18.     cat_sel = [n for n in train.columns if n.startswith('cat')]  #类别特征数值化  
19.     for column in cat_sel:  
20.         train[column] = pd.factorize(train[column].values , sort=True)[0] + 1  
21.   
22.     params = {  
23.         'min_child_weight': 100,  
24.         'eta': 0.02,  
25.         'colsample_bytree': 0.7,  
26.         'max_depth': 12,  
27.         'subsample': 0.7,  
28.         'alpha': 1,  
29.         'gamma': 1,  
30.         'silent': 1,  
31.         'verbose_eval': True,  
32.         'seed': 12  
33.     }  
34.     rounds = 10  
35.     y = train['loss']  
36.     X = train.drop(['loss', 'id'], 1)  
37.   
38.     xgtrain = xgb.DMatrix(X, label=y)  
39.     bst = xgb.train(params, xgtrain, num_boost_round=rounds)  
40.   
41.     features = [x for x in train.columns if x not in ['id','loss']]  
42.     ceate_feature_map(features)  
43.   
44.     importance = bst.get_fscore(fmap='xgb.fmap')  
45.     importance = sorted(importance.items(), key=operator.itemgetter(1))  
46.   
47.     df = pd.DataFrame(importance, columns=['feature', 'fscore'])  
48.     df['fscore'] = df['fscore'] / df['fscore'].sum()  
49.     df.to_csv("../input/feat_sel/feat_importance.csv", index=False)  
50.   
51.     plt.figure()  
52.     df.plot(kind='barh', x='feature', y='fscore', legend=False, figsize=(6, 10))  
53.     plt.title('XGBoost Feature Importance')  
54.     plt.xlabel('relative importance')  
55.     plt.show()