最新国产好看的视频,伊人天堂AV在线,国产Aaaaaa视频,蜜臀视频在线观看一区,人妻av色图,密臀久久久精品影片,青青视频免费观看毛片,久草在线观看视,国产三级精品色情在线

Python機器學習應用之基于天氣數(shù)據(jù)集的XGBoost分類篇解讀

 更新時間:2022年01月18日 17:09:48   作者:柚子味的羊  
XGBoost是一個優(yōu)化的分布式梯度增強庫,旨在實現(xiàn)高效,靈活和便攜。它在?Gradient?Boosting?框架下實現(xiàn)機器學習算法。XGBoost提供并行樹提升(也稱為GBDT,GBM),可以快速準確地解決許多數(shù)據(jù)科學問題

一、XGBoost

XGBoost并不是一種模型,而是一個可供用戶輕松解決分類、回歸或排序問題的軟件包。

1 XGBoost的優(yōu)點

  • 簡單易用。相對其他機器學習庫,用戶可以輕松使用XGBoost并獲得相當不錯的效果。
  • 高效可擴展。在處理大規(guī)模數(shù)據(jù)集時速度快效果好,對內存等硬件資源要求不高。
  • 魯棒性強。相對于深度學習模型不需要精細調參便能取得接近的效果。
  • XGBoost內部實現(xiàn)提升樹模型,可以自動處理缺失值。

2 XGBoost的缺點

  • 相對于深度學習模型無法對時空位置建模,不能很好地捕獲圖像、語音、文本等高維數(shù)據(jù)。
  • 在擁有海量訓練數(shù)據(jù),并能找到合適的深度學習模型時,深度學習的精度可以遙遙領先XGBoost。

二、實現(xiàn)過程

1 數(shù)據(jù)集

天氣數(shù)據(jù)集 提取碼:1234

2 實現(xiàn)

#%%導入基本庫
import numpy as np 
import pandas as pd

## 繪圖函數(shù)庫
import matplotlib.pyplot as plt
import seaborn as sns
#讀取數(shù)據(jù)
data=pd.read_csv('D:\Python\ML\data\XGBtrain.csv')

通過variable explorer查看樣本數(shù)據(jù)

也可以使用head()或tail()函數(shù),查看樣本前幾行和后幾行。不難看出,數(shù)據(jù)集中含有NAN,代表數(shù)據(jù)中存在缺失值,可能是在數(shù)據(jù)采集或者處理過程中產生的一種錯誤,此處采用-1將缺失值進行填充,還有其他的填充方法:

  • 中位數(shù)填補
  • 平均數(shù)填補

注:在數(shù)據(jù)的前期處理中,一定要注意對缺失值的處理。前期數(shù)據(jù)處理的結果將會嚴重影響后面是否可能得到合理的結果

data=data.fillna(-1)
#利用value_counts()函數(shù)查看訓練集標簽的數(shù)量(Raintomorrow=no)
print(pd.Series(data['RainTomorrow']).value_counts())
data_des=data.describe()

填充后:

#%%#可視化數(shù)據(jù)(特征值包括數(shù)字特征和非數(shù)字特征)
numerical_features = [x for x in data.columns if data[x].dtype == np.float]
category_features = [x for x in data.columns if data[x].dtype != np.float and x != 'RainTomorrow']
#%% 選取三個特征與標簽組合的散點可視化
sns.pairplot(data=data[['Rainfall','Evaporation','Sunshine'] + ['RainTomorrow']], diag_kind='hist', hue= 'RainTomorrow')
plt.show()

#%%每個特征的箱圖
i=0
for col in data[numerical_features].columns:
    if col != 'RainTomorrow':
        plt.subplot(2,8,i+1)
        sns.boxplot(x='RainTomorrow', y=col, saturation=0.5, palette='pastel', data=data)
        plt.title(col)
        i=i+1
plt.show()

#%%非數(shù)字特征
tlog = {}
for i in category_features:
    tlog[i] = data[data['RainTomorrow'] == 'Yes'][i].value_counts()
flog = {}
for i in category_features:
    flog[i] = data[data['RainTomorrow'] == 'No'][i].value_counts()
#%%不同地區(qū)下雨情況
plt.figure(figsize=(20,10))
plt.subplot(1,2,1)
plt.title('RainTomorrow')
sns.barplot(x = pd.DataFrame(tlog['Location']).sort_index()['Location'], y = pd.DataFrame(tlog['Location']).sort_index().index, color = "red")
plt.subplot(1,2,2)
plt.title('Not RainTomorrow')
sns.barplot(x = pd.DataFrame(flog['Location']).sort_index()['Location'], y = pd.DataFrame(flog['Location']).sort_index().index, color = "blue")
plt.show()

#%%
plt.figure(figsize=(20,5))
plt.subplot(1,2,1)
plt.title('RainTomorrow')
sns.barplot(x = pd.DataFrame(tlog['RainToday'][:2]).sort_index()['RainToday'], y = pd.DataFrame(tlog['RainToday'][:2]).sort_index().index, color = "red")
plt.subplot(1,2,2)
plt.title('Not RainTomorrow')
sns.barplot(x = pd.DataFrame(flog['RainToday'][:2]).sort_index()['RainToday'], y = pd.DataFrame(flog['RainToday'][:2]).sort_index().index, color = "blue")
plt.show()

XGBoost無法處理字符串類型的數(shù)據(jù),需要將字符串數(shù)據(jù)轉化成數(shù)值

#%%對離散變量進行編碼
## 把所有的相同類別的特征編碼為同一個值
def get_mapfunction(x):
    mapp = dict(zip(x.unique().tolist(),
         range(len(x.unique().tolist()))))
    def mapfunction(y):
        if y in mapp:
            return mapp[y]
        else:
            return -1
    return mapfunction
#將非數(shù)字特征離散化
for i in category_features:
    data[i] = data[i].apply(get_mapfunction(data[i]))
#%%利用XGBoost進行訓練與預測
## 為了正確評估模型性能,將數(shù)據(jù)劃分為訓練集和測試集,并在訓練集上訓練模型,在測試集上驗證模型性能。
from sklearn.model_selection import train_test_split

## 選擇其類別為0和1的樣本 (不包括類別為2的樣本)
data_target_part = data['RainTomorrow']
data_features_part = data[[x for x in data.columns if x != 'RainTomorrow']]

## 測試集大小為20%, 80%/20%分
x_train, x_test, y_train, y_test = train_test_split(data_features_part, data_target_part, test_size = 0.2, random_state = 2020)

#%%導入XGBoost模型
from xgboost.sklearn import XGBClassifier
## 定義 XGBoost模型 
clf = XGBClassifier()
# 在訓練集上訓練XGBoost模型
clf.fit(x_train, y_train)
#%% 在訓練集和測試集上分布利用訓練好的模型進行預測
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics

## 利用accuracy(準確度)【預測正確的樣本數(shù)目占總預測樣本數(shù)目的比例】評估模型效果
print('The accuracy of the XGBoost is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the XGBoost is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩陣 (預測值和真實值的各類情況統(tǒng)計矩陣)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用熱力圖對于結果進行可視化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

#%%利用XGBoost進行特征選擇:
#XGboost中可以用屬性feature_importances_去查看特征的重要度。
sns.barplot(y=data_features_part.columns,x=clf.feature_importances_)

初次之外,我們還可以使用XGBoost中的下列重要屬性來評估特征的重要性:

  • weight:是以特征用到的次數(shù)來評價
  • gain:當利用特征做劃分的時候的評價基尼指數(shù)
  • cover:利用一個覆蓋樣本的指標二階導數(shù)(具體原理不清楚有待探究)平均值來劃分。
  • total_gain:總基尼指數(shù)
  • total_cover:總覆蓋
#利用XGBoost的其他重要參數(shù)評估特征的重要性
from sklearn.metrics import accuracy_score
from xgboost import plot_importance

def estimate(model,data):
    #sns.barplot(data.columns,model.feature_importances_)
    ax1=plot_importance(model,importance_type="gain")
    ax1.set_title('gain')
    ax2=plot_importance(model, importance_type="weight")
    ax2.set_title('weight')
    ax3 = plot_importance(model, importance_type="cover")
    ax3.set_title('cover')
    plt.show()
def classes(data,label,test):
    model=XGBClassifier()
    model.fit(data,label)
    ans=model.predict(test)
    estimate(model, data)
    return ans
 
ans=classes(x_train,y_train,x_test)
pre=accuracy_score(y_test, ans)
print('acc=',accuracy_score(y_test,ans))

XGBoost中包括但不限于下列對模型影響較大的參數(shù):

  • learning_rate: 有時也叫作eta,系統(tǒng)默認值為0.3。每一步迭代的步長,很重要。太大了運行準確率不高,太小了運行速度慢。
  • subsample:系統(tǒng)默認為1。這個參數(shù)控制對于每棵樹,隨機采樣的比例。減小這個參數(shù)的值,算法會更加保守,避免過擬合, 取值范圍零到一。
  • colsample_bytree:系統(tǒng)默認值為1。我們一般設置成0.8左右。用來控制每棵隨機采樣的列數(shù)的占比(每一列是一個特征)。max_depth: 系統(tǒng)默認值為6,我們常用3-10之間的數(shù)字。這個值為樹的最大深度。這個值是用來控制過擬合的。
  • max_depth越大,模型學習的更加具體。

調節(jié)模型參數(shù)的方法有貪心算法、網格調參、貝葉斯調參等。這里我們采用網格調參,它的基本思想是窮舉搜索:在所有候選的參數(shù)選擇中,通過循環(huán)遍歷,嘗試每一種可能性,表現(xiàn)最好的參數(shù)就是最終的結果

#%%通過調參獲得更好的效果
## 從sklearn庫中導入網格調參函數(shù)
from sklearn.model_selection import GridSearchCV

## 定義參數(shù)取值范圍
learning_rate = [0.1, 0.3, 0.6]
subsample = [0.8, 0.9]
colsample_bytree = [0.6, 0.8]
max_depth = [3,5,8]

parameters = { 'learning_rate': learning_rate,
              'subsample': subsample,
              'colsample_bytree':colsample_bytree,
              'max_depth': max_depth}
model = XGBClassifier(n_estimators = 50)

## 進行網格搜索
clf = GridSearchCV(model, parameters, cv=3, scoring='accuracy',verbose=1,n_jobs=-1)
clf = clf.fit(x_train, y_train)
#%%網格搜索后的參數(shù)
print(clf.best_params_)

#%% 在訓練集和測試集上分別利用最好的模型參數(shù)進行預測
## 定義帶參數(shù)的 XGBoost模型 
clf = XGBClassifier(colsample_bytree = 0.6, learning_rate = 0.3, max_depth= 8, subsample = 0.9)
# 在訓練集上訓練XGBoost模型
clf.fit(x_train, y_train)

train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)

## 利用accuracy(準確度)【預測正確的樣本數(shù)目占總預測樣本數(shù)目的比例】評估模型效果
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_train,train_predict))
print('The accuracy of the Logistic Regression is:',metrics.accuracy_score(y_test,test_predict))

## 查看混淆矩陣 (預測值和真實值的各類情況統(tǒng)計矩陣)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)

# 利用熱力圖對于結果進行可視化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()

三、Keys

XGBoost的重要參數(shù)

  • eta【默認0.3】:通過為每一顆樹增加權重,提高模型的魯棒性。典型值為0.01-0.2。
  • min_child_weight【默認1】:決定最小葉子節(jié)點樣本權重和。這個參數(shù)可以避免過擬合。當它的值較大時,可以避免模型學習到局部的特殊樣本。但是如果這個值過高,則會導致模型擬合不充分。
  • max_depth【默認6】:這個值也是用來避免過擬合的,max_depth越大,模型會學到更具體更局部的樣本。典型值:3-10
  • max_leaf_nodes:樹上最大的節(jié)點或葉子的數(shù)量??梢蕴娲鷐ax_depth的作用。這個參數(shù)的定義會導致忽略max_depth參數(shù)。
  • gamma【默認0】:在節(jié)點分裂時,只有分裂后損失函數(shù)的值下降了,才會分裂這個節(jié)點。Gamma指定了節(jié)點分裂所需的最小損失函數(shù)下降值。這個參數(shù)的值越大,算法越保守。這個參數(shù)的值和損失函數(shù)息息相關。
  • max_delta_step【默認0】:這個參數(shù)限制每棵樹權重改變的最大步長。如果這個參數(shù)的值為0,那就意味著沒有約束。如果它被賦予了某個正值,那么它會讓這個算法更加保守。但是當各類別的樣本十分不平衡時,它對分類問題是很有幫助的。
  • subsample【默認1】:這個參數(shù)控制對于每棵樹,隨機采樣的比例。減小這個參數(shù)的值,算法會更加保守,避免過擬合。但是,如果這個值設置得過小,它可能會導致欠擬合。典型值:0.5-1
  • colsample_bytree【默認1】:用來控制每棵隨機采樣的列數(shù)的占比(每一列是一個特征)。典型值:0.5-1
  • colsample_bylevel【默認1】:用來控制樹的每一級的每一次分裂,對列數(shù)的采樣的占比。subsample參數(shù)和colsample_bytree參數(shù)可以起到相同的作用,一般用不到。
  • lambda【默認1】:權重的L2正則化項。(和Ridge regression類似)。這個參數(shù)是用來控制XGBoost的正則化部分的。雖然大部分數(shù)據(jù)科學家很少用到這個參數(shù),但是這個參數(shù)在減少過擬合上還是可以挖掘出更多用處的。
  • alpha【默認1】:權重的L1正則化項。(和Lasso regression類似)??梢詰迷诤芨呔S度的情況下,使得算法的速度更快。
  • scale_pos_weight【默認1】:在各類別樣本十分不平衡時,把這個參數(shù)設定為一個正值,可以使算法更快收斂。

886~~

到此這篇關于Python機器學習應用之基于天氣數(shù)據(jù)集的XGBoost分類篇解讀的文章就介紹到這了,更多相關Python XGBoost內容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!

相關文章

  • python入門教程 python入門神圖一張

    python入門教程 python入門神圖一張

    這篇文章主要介紹了Python 10分鐘入門教程,分享一張Python入門神圖一張,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2018-03-03
  • 詳解讓Python性能起飛的15個技巧

    詳解讓Python性能起飛的15個技巧

    Python?一直以來被大家所詬病的一點就是執(zhí)行速度慢,但不可否認的是?Python?依然是我們學習和工作中的一大利器。本文總結了15個tips有助于提升?Python?執(zhí)行速度、優(yōu)化性能,需要的可以參考一下
    2022-02-02
  • Python Web開發(fā)模板引擎優(yōu)缺點總結

    Python Web開發(fā)模板引擎優(yōu)缺點總結

    這篇文章主要介紹了Python Web開發(fā)模板引擎優(yōu)缺點總結,需要的朋友可以參考下
    2014-05-05
  • python和pygame實現(xiàn)簡單俄羅斯方塊游戲

    python和pygame實現(xiàn)簡單俄羅斯方塊游戲

    這篇文章主要為大家詳細介紹了python和pygame實現(xiàn)簡單俄羅斯方塊游戲,文中示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下
    2018-06-06
  • Github?Copilot結合python的使用方法詳解

    Github?Copilot結合python的使用方法詳解

    最近也是聽說github出了一種最新的插件叫做copilot,于是申請了,下面這篇文章主要給大家介紹了關于Github?Copilot結合python使用的相關資料,需要的朋友可以參考下
    2022-04-04
  • Python用input輸入列表的實例代碼

    Python用input輸入列表的實例代碼

    在本篇文章里小編給大家整理的是關于Python用input輸入列表的實例代碼,需要的朋友們可以參考下。
    2020-02-02
  • 帶你用Python實現(xiàn)Saga 分布式事務的方法

    帶你用Python實現(xiàn)Saga 分布式事務的方法

    在這篇文章里,我們介紹了 SAGA 的理論知識,也通過一個例子,完整給出了編寫一個 SAGA 事務的過程,涵蓋了正常成功完成,異常情況,以及成功回滾的情況,需要的朋友參考下吧
    2021-09-09
  • pytest多文件執(zhí)行順序控制詳解

    pytest多文件執(zhí)行順序控制詳解

    默認情況下pytest測試用例的執(zhí)行順序是先按照外層后內層(目錄下的文件),同層級的包或文件、根據(jù)名稱、按照ascii碼升序執(zhí)行,文件內的用例根據(jù)先后順序執(zhí)行,這篇文章主要給大家介紹了關于pytest多文件執(zhí)行順序控制的相關資料,需要的朋友可以參考下
    2022-07-07
  • Python 轉換RGB顏色值的示例代碼

    Python 轉換RGB顏色值的示例代碼

    這篇文章主要介紹了Python 轉換RGB顏色值的示例代碼,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2019-10-10
  • Python中的__init__作用是什么

    Python中的__init__作用是什么

    在本篇文章里小編給大家分享的是關于Python中的__init__作用以及相關用法內容,需要的朋友們可以學習下。
    2020-06-06

最新評論

宜宾县| 平塘县| 肥西县| 巴楚县| 宁河县| 冀州市| 阿勒泰市| 岱山县| 兰溪市| 鄂州市| 永丰县| 娄底市| 邵阳县| 南康市| 兖州市| 庆安县| 屏边| 大方县| 安阳市| 张家港市| 全南县| 中超| 江北区| 郓城县| 铁岭县| 庆阳市| 贺州市| 图片| 修武县| 黄龙县| 平南县| 阿拉善右旗| 福建省| 玉屏| 石城县| 剑川县| 广昌县| 班玛县| 宁安市| 资源县| 山西省|