如何在python环境下安装xgboost

下面将介绍XGBoost的python模块

编译及导入python模块

数据接口a参数置

训练模型

提前终止程序

预测

安装

首先安装xgboost的c++版本，然后进入原文件的根目录下的wrapper文件夹执行如下脚本安装python模块

python setup.py install

安装完成后按照如下方式导入xgboost的python模块

import xgboost as xgb

数据接口

xgboost可以加载libsvm格式的文本数据，加载的数据格式可以为NumPy的二维数组和xgboost的二进制缓存文件。加载的存储点在对象DMatrix中。

加载libsvm格式的数据和二进制的缓存文件时候可以使用如下方式

drain=xgb.Dmatrix('train.svm.txt') dtest=xgb.DMatrix('test.svm.buffer')

加载numpy的数组到Dmatrix对象时，可以用如下方式

data=np.random.rand(5,10) #5 entities,each contains 10 feature label =np.random.randint(2,size=5)#binary target dtrain=xgb.DMatrix(data,label=label)

将scipy.sparse格式的数据转化为DMatrix格式时，可以使用如下方式

csr=scipy.sparse.csr_matrix((dat,(row,col)),) drain =xgb.DMatrix(csr)

将DMatrix格式的数据保存为xgboost的二进制格式，在下次加载的时候可以提高加载速度，使用方式如下

drain ＝xgb.DMatrix('train.svm.txt') drain.save_binary("train.buffer")

可以用如下方式处理DMatrix中的缺失值

dtrain =xgb.DMtrix(data,label=label,missing =-999.0)

当需要给样本设置权重时，可以采用如下方式

w=np.random.rand(5,1) dtrain=xgb.DMtrix(data,label=label,missing=-999.0,weight =w)

参数设置

XGBoost使用key-value格式保存参数. Eg 

* Booster（基本学习器）参数

param = {'bst:max_depth':2, 'bst:eta':1, 'silent':1, 'objective':'binary:logistic' } param['nthread'] = 4 plst = param.items() plst += [('eval_metric', 'auc')] # Multiple evals can be handled in this way plst += [('eval_metric', 'ams@0')]

还可以定义验证数据集，验证算法的性能

evallist  = [(dtest,'eval'), (dtrain,'train')]

训练模型

有了参数列表和数据就可以训练模型了 

* 训练

num_round = 10 bst = xgb.train( plst, dtrain, num_round, evallist )

• 保存模型 
• 在训练完成之后可以将模型保存下来，也可以查看模型内部的结构

bst.save_model('0001.model')

• Dump Model and Feature Map 
• You can dump the model to txt and review the meaning of model

# dump model bst.dump_model('dump.raw.txt') # dump model with feature map bst.dump_model('dump.raw.txt','featmap.txt')

• 加载模型 
• 通过如下方式可以加载模型

bst = xgb.Booster({'nthread':4}) #init model bst.load_model("model.bin") # load data

提前终止程序

如果有评价数据，可以提前终止程序，这样可以找到最优的迭代次数。如果要提前终止程序必须至少有一个评价数据在参数evals中。 If there’s more than one, it will use the last.

train(..., evals=evals, early_stopping_rounds=10)

The model will train until the validation score stops improving. Validation error needs to decrease at least every early_stopping_rounds to continue training.

If early stopping occurs, the model will have two additional fields: bst.best_score and bst.best_iteration. Note that train() will return a model from the last iteration, not the best one.

This works with both metrics to minimize (RMSE, log loss, etc.) and to maximize (MAP, NDCG, AUC).

=

Prediction

After you training/loading a model and preparing the data, you can start to do prediction.

data = np.random.rand(7,10) # 7 entities, each contains 10 features dtest = xgb.DMatrix( data, missing = -999.0 ) ypred = bst.predict( xgmat )

If early stopping is enabled during training, you can predict with the best iteration.

ypred = bst.predict(xgmat,ntree_limit=bst.best_iteration)