机器学习:基于心脏病数据集的XGBoost分类预测
XGBoost是一种基于CART树的梯度提升决策树算法,广泛应用于机器学习领域。其核心在于通过梯度提升算法逐步优化误差,构建强分类器。XGBoost的优势在于高效性和准确性,能够处理大规模数据和高维度特征。其工作原理包括:使用梯度下降优化误差,分裂树节点以拟合误差,采用稀疏数据加速和多线程并行技术提升效率。
在实战演练中,XGBoost应用于心脏病数据集,流程包括数据准备、数据预处理(缺失值填充、数据转换、可视化分析)、特征工程(离散变量编码)、模型训练与预测(使用决策树集成模型),并通过调整参数(如学习率、子采样率、列采样率、最大深度)优化模型效果。最终,XGBoost在测试集上的准确率达到0.783,展示了其强大的预测能力。
目录
一、简介
原理:
二、实战演练
1.数据准备
2.数据读取/载入
3.数据预处理
4.可视化处理
5.对离散变量进行编码
6.模型训练与预测
7.特征选择
8.通过调整参数获得更好的效果
核心参数调优
网格调参法
一、简介
XGBoost(extreme Gradient Boosting)是一种基于梯度提升的决策树模型(GBDT方法,Gradient Boosting Decision Tree),在机器学习领域内具有显著影响力。该算法经过不断优化,现已成为解决分类、回归和排序等问题的主流方案之一。它由陈天奇于2016年提出,属于Boosting算法家族中的一员,通过迭代优化模型结构,逐步提升模型的预测精度。
与传统的决策树不同,XGBoost基于一种优化算法,即梯度提升方法(Gradient Boosting)。该方法是一种顺序集成技术,通过依次训练多个弱分类器(即决策树),使它们不断增强实力。在每一轮迭代过程中,它通过计算损失函数的负梯度,将其作为新的训练目标,再训练一个弱分类器来拟合这个目标。经过多轮迭代后,将所有弱分类器集成起来,最终形成一个强分类器。
XGBoost具有高效的效率和精确的精确度。它能够适应大量数据集和高维特征空间,并对稀疏数据表现出色。此外,XGBoost的训练速度极快,能够处理大量数据集,并在相关比赛中屡获佳绩。
总体而言,XGBoost是一种具有强大的预测能力和高效的计算效率的机器学习算法。在多个领域中都有广泛应用,特别是在竞赛和实际业务场景中发挥着重要作用,均具有显著的应用价值。
原理:
XGBoost底层实现了GBDT算法,并对GBDT算法做了一系列优化:
- 对目标函数进行了泰勒展开的二阶处理,显著提升了误差拟合的效率。
- 开发了一种估计分裂点的算法,用于加速CART树构建过程,并支持处理稀疏数据。
- 设计了一种并行策略,用于加速迭代过程。
- 对模型的分布式算法进行了底层优化处理。
XGBoost是一种以CART树为基础的集成学习方法,其核心思想是通过串联多个决策树模型来实现共同决策。
那么如何串联起来呢?XGBoost通过迭代预测误差的方法进行串联。举个案例,假设我们需要预测某辆车的价值为3000元。首先,我们训练一棵决策树,其预测结果为2600元,由此产生了400元的预测误差。接着,我们让第二棵决策树以这个400元误差作为其训练目标。然而,第二棵决策树的预测结果却为350元,仍然存在50元的误差,于是这个误差被传递给第三棵树。依此类推,每一棵决策树都会专注于估计之前所有树的预测误差,最终,所有决策树的预测结果相加,即构成了最终的预测结果。
XGBoost的基础模型是CART回归树,其具有以下两个显著特点:首先,CART树是一种二叉树结构,即每个节点最多有两个子节点;其次,回归树的预测结果为连续数值。
具体来说,XGBoost基于决策树作为基分类器,每个决策树均通过梯度上升方法进行训练。在训练过程中,XGBoost基于损失函数的负梯度-f(x)进行计算,并以该负梯度为指导训练一个新的决策树,通过不断迭代最终构建一个具有强泛化能力的强分类器。
为防止过拟合,XGBoost采用了正则化技术。该技术包含L1正则化和L2正则化方法。L1正则化有助于模型参数数量减少,而L2正则化则能抑制模型参数过大,从而有效防止过拟合。
此外,XGBoost还应用了多项优化技术,包括优化的缓存访问方式、经过优化的数据压缩技术以及多线程并行计算技术等,这些技术的引入使得XGBoost在训练和预测效率上均取得了显著提升。
二、实战演练
1.数据准备
获取阿里云提供的天气数据集,在PyCharm等开发环境中运行以下代码进行下载和保存。心脏病这个数据集
import requests
url = 'https://tianchi-media.oss-cn-beijing.aliyuncs.com/DSW/7XGBoost/train.csv'
response = requests.get(url)
with open('train.csv', 'wb') as f:
f.write(response.content)

最上面分别是:年龄、是否贫血、肌酸磷酸激酶、是否糖尿病、射血分数、是否高血压、血小板血清、creatine血清_钠、性别、是否吸烟、时间、是否死亡。
原文是预测是否明天下雨,这里就预测死亡了。
2.数据读取/载入
放同一目录下,直接读即可
## 基础函数库
import numpy as np
import pandas as pd
## 绘图函数库
import matplotlib.pyplot as plt
import seaborn as sns

## 我们利用Pandas自带的read_csv函数读取并转化为DataFrame格式
data = pd.read_csv('heart.csv')
可以打印查看下
## 利用.info()查看数据的整体信息
data.info()

基本上都是整形和浮点型。
3.数据预处理
心脏病数据没啥问题这里不再演示,以下是说明:
简单查看数据,如果有缺少的(NaN)就用-1填补上。
## 进行简单的数据查看,我们可以利用 .head() 头部.tail()尾部
data.head()
data = data.fillna(-1)
data.tail()
当数据集中负样本的数量显著多于正样本数量时,这个问题通常被称为'数据不平衡'问题。但在某些特定情况下,可能不需要采取任何特殊措施。(例如,当负样本死亡案例为96,存活案例为203时,通常无需处理)
print(pd.Series(data['DEATH_EVENT']).value_counts())

## 对于特征进行一些统计描述
data.describe()
4.可视化处理
为了方便,先纪录数字特征与非数字特征:
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 != 'DEATH_EVENT']
## 选取三个特征与标签组合的散点可视化
sns.pairplot(data=data[['age',
'creatinine_phosphokinase',
'ejection_fraction'] + ['DEATH_EVENT']], diag_kind='hist', hue= 'DEATH_EVENT')
plt.show()

从分析结果来看,在二维特征空间中,不同特征组合对心脏病人是否死亡的散点分布情况及其大致判别能力存在显著差异。研究表明,ejection_fraction与其他特征的组合方式在判别能力上具有显著优势(实际上,这种组合方式的判别能力并不如前者)
for col in data[numerical_features].columns:
if col != 'DEATH_EVENT':
sns.boxplot(x='DEATH_EVENT', y=col, saturation=0.5, palette='pastel', data=data)
plt.title(col)
plt.show()
打印箱型图



可以得到不同类别在不同特征上的分布差异情况。
可以进行数据分析,比如分析吸烟与死亡的关系
tlog = {}
for i in category_features:
tlog[i] = data[data['DEATH_EVENT'] == 1][i].dropna().value_counts()
flog = {}
for i in category_features:
flog[i] = data[data['DEATH_EVENT'] == 0][i].dropna().value_counts()
plt.figure(figsize=(10,2))
plt.subplot(1,2,1)
plt.title('DEATH')
sns.barplot(x = pd.DataFrame(tlog['smoking'][:2]).sort_index()['smoking'], y = pd.DataFrame(tlog['smoking'][:2]).sort_index().index, color = "red")
plt.subplot(1,2,2)
plt.title('Not DEATH')
sns.barplot(x = pd.DataFrame(flog['smoking'][:2]).sort_index()['smoking'], y = pd.DataFrame(flog['smoking'][:2]).sort_index().index, color = "blue")
plt.show()

5.对离散变量进行编码
因为XGBoost无法直接处理字符串类型 的数据,因此需要将这些字符串数据转换为数值形式以便模型处理。一种常见的方法是将相同类别的特征映射到同一个整数值,例如将“女”编码为0,“男”编码为1,以此类推。这样处理后,编码的特征值将落在[0,特征数量−1]的整数区间内。除了标签编码,还有独热编码、求和编码以及留一法编码等多种编码方法,每种方法都有其适用的场景和特点。
代码如下,但本文用的心脏病数据集都是整形和浮点型,因此不用处理。
## 把所有的相同类别的特征编码为同一个值
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
for i in category_features:
data[i] = data[i].apply(get_mapfunction(data[i]))
6.模型训练与预测
## 为了正确评估模型性能,将数据划分为训练集和测试集,并在训练集上训练模型,在测试集上验证模型性能。
from sklearn.model_selection import train_test_split
## 选择其类别为0和1的样本 (不包括类别为2的样本)
data_target_part = data['RainTomorrow']
data_features_part = data[[x for x in data.columns if x != 'RainTomorrow']]
## 测试集大小为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)
#查看标签数据
print(y_train[0:2],y_test[0:2])
# 打印修改后的结果
print(y_train[0:2],y_test[0:2])

导入XGBoost模型
## 导入XGBoost模型
from xgboost.sklearn import XGBClassifier
## 定义 XGBoost模型
clf = XGBClassifier(use_label_encoder=False)
# 在训练集上训练XGBoost模型
clf.fit(x_train, y_train)
注意:控制台导入下载的时候要关掉梯子!
如果出现这种报错提示,可能是因为网络连接出现问题,具体来说,是由于连接中断,由ProxyError('Cannot connect to proxy.', timeout('_ssl.c:1112: The handshake operation timed out'))引起的,导致无法访问/pypi/web/simple/xgboost/的链接。
## 在训练集和测试集上分布利用训练好的模型进行预测
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
from sklearn import metrics
## 利用accuracy(准确度)【预测正确的样本数目占总预测样本数目的比例】评估模型效果
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))
## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()


7.特征选择
XGBoost的特征选择方法属于模型的内置于特征选择机制中,在XGBoost中,可以通过属性feature_importances_属性来获取特征重要性评分。
plt.figure(figsize=(8, 6))
sns.barplot(y=data_features_part.columns, x=clf.feature_importances_)
plt.show()

从图中我们可以发现得病时间是决定是否死亡最重要的因素。
除了XGBoost之外,我们还可以提取其关键属性来评估特征的重要性。
权重值:衡量特征被使用的频率。
基尼指数:用于评估特征在划分过程中的有效性。
覆盖值:通过计算覆盖样本的二阶导数平均值来进行特征划分。
总基尼指数:衡量模型划分过程的整体质量。
总覆盖:反映特征划分的样本覆盖程度。



acc= 0.7833333333333333
这些图同样可以帮助我们更好的了解其他重要特征。
8.通过调整参数获得更好的效果
以下是几个重要的参数
- learning_rate: 有时也被称为eta,系统默认值为0.3。每一步的步进值至关重要,过大或过小均会影响模型性能。
- subsample:系统默认设置为1。该参数用于控制每棵树在采样数据时所占的比例,降低该参数值,算法会更加保守,从而降低过拟合的风险,其取值范围为0到1。
- colsample_bytree:系统默认值为1。我们通常将其设置为0.8左右,以控制每棵树在采样过程中使用的特征比例,避免过拟合。
- max_depth:系统默认值为6,通常设置在3到10之间。该值表示树的最大深度,其作用是控制模型的复杂度。max_depth越大,模型的拟合能力越强,但也可能带来更高的过拟合风险。
核心参数调优
1.eta[默认0.3]
通过为每一颗树增加权重,提高模型的鲁棒性。
典型值为0.01-0.2。2.min_child_weight[默认1]
决定最小叶子节点样本权重和。
这个参数可以避免过拟合。当它的值较大时,可以避免模型学习到局部的特殊样本。
但是如果这个值过高,则会导致模型拟合不充分。3.max_depth[默认6]
这个值也是用来避免过拟合的。max_depth越大,模型会学到更具体更局部的样本。
典型值:3-104.max_leaf_nodes
树上最大的节点或叶子的数量。
可以替代max_depth的作用。
这个参数的定义会导致忽略max_depth参数。5.gamma[默认0]
在节点分裂时,只有分裂后损失函数的值下降了,才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。
这个参数的值越大,算法越保守。这个参数的值和损失函数息息相关。6.max_delta_step[默认0]
这参数限制每棵树权重改变的最大步长。如果这个参数的值为0,那就意味着没有约束。如果它被赋予了某个正值,那么它会让这个算法更加保守。
但是当各类别的样本十分不平衡时,它对分类问题是很有帮助的。7.subsample[默认1]
这个参数控制对于每棵树,随机采样的比例。
减小这个参数的值,算法会更加保守,避免过拟合。但是,如果这个值设置得过小,它可能会导致欠拟合。
典型值:0.5-18.colsample_bytree[默认1]
用来控制每棵随机采样的列数的占比(每一列是一个特征)。
典型值:0.5-19.colsample_bylevel[默认1]
用来控制树的每一级的每一次分裂,对列数的采样的占比。
subsample参数和colsample_bytree参数可以起到相同的作用,一般用不到。10.lambda[默认1]
权重的L2正则化项。(和Ridge regression类似)。
这个参数是用来控制XGBoost的正则化部分的。虽然大部分数据科学家很少用到这个参数,但是这个参数在减少过拟合上还是可以挖掘出更多用处的。11.alpha[默认1]
权重的L1正则化项。(和Lasso regression类似)。
可以应用在很高维度的情况下,使得算法的速度更快。12.scale_pos_weight[默认1]
在各类别样本十分不平衡时,把这个参数设定为一个正值,可以使算法更快收敛。
网格调参法
调节模型参数的方法主要包括贪心算法、网格搜索和贝叶斯优化等。在本次实验中,我们选择了网格搜索作为主要的参数调节策略。其核心思路是通过系统性遍历所有可能的参数组合,逐一评估每种参数设置的效果,最终从中挑选出在性能指标上表现最优的参数组合作为模型的最优配置。
## 从sklearn库中导入网格调参函数
from sklearn.model_selection import GridSearchCV
## 定义参数取值范围
learning_rate = [0.1, 0.3,]
subsample = [0.8]
colsample_bytree = [0.6, 0.8]
max_depth = [3,5]
parameters = { 'learning_rate': learning_rate,
'subsample': subsample,
'colsample_bytree':colsample_bytree,
'max_depth': max_depth}
model = XGBClassifier(n_estimators = 20)
## 进行网格搜索
clf = GridSearchCV(model, parameters, cv=3, scoring='accuracy',verbose=1,n_jobs=-1)
clf = clf.fit(x_train, y_train)
## 在训练集和测试集上分布利用最好的模型参数进行预测
## 定义带参数的 XGBoost模型
clf = XGBClassifier(colsample_bytree = 0.6, learning_rate = 0.3, max_depth= 8, subsample = 0.9)
# 在训练集上训练XGBoost模型
clf.fit(x_train, y_train)
train_predict = clf.predict(x_train)
test_predict = clf.predict(x_test)
## 利用accuracy(准确度)【预测正确的样本数目占总预测样本数目的比例】评估模型效果
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))
## 查看混淆矩阵 (预测值和真实值的各类情况统计矩阵)
confusion_matrix_result = metrics.confusion_matrix(test_predict,y_test)
print('The confusion matrix result:\n',confusion_matrix_result)
# 利用热力图对于结果进行可视化
plt.figure(figsize=(8, 6))
sns.heatmap(confusion_matrix_result, annot=True, cmap='Blues')
plt.xlabel('Predicted labels')
plt.ylabel('True labels')
plt.show()


机器学习笔记
机器学习入门算法(六)基于天气数据集的XGBoost分类预测详细解析,人工智能博客
