XGBoost文本分类，多分类二分类10-Fold（K-Fold）

Posted 2020-12-17 ztabk

做机器学习的时候经常用到XGB,简单记录一下

K折交叉验证也是模型常用的优化方法。一起记录。。。

K折交叉验证：类似三个臭皮匠，顶个诸葛亮。我的理解是，就是用民主投票的方式，选取票数最高的那个当结果。K折就是分成K份数据来进行。K= 5就是5折交叉验证，K= 7就是7折交叉验证，K=10就是10折。。。

先把每个模型训练出来，才能进行选票。至于怎么投票，就看你像想怎么设置了，我这是投的准确率。

 

acc = [] # 记录每个模型的准确率
models = [] # 记录每个模型 

随机抽取200条数据出来当测试集
random_index  =set()
while(len(random_index )<200):
    random_index .add(random.randint(0,len(x_train_weight)-1))

random_index = list(random_index)
random_index.sort(reverse=True)

my_test = [x_train_weight[i] for i in random_index]
my_labels = list([labels["labels"][i] for i in random_index])


for i in random_index:
    x_train_weight = np.delete(x_train_weight, i, 0)
    labels = labels.drop(index=i)

# 开始训练
le = len(x_train_weight)//10

for i in range(10):
    print("-"*5+"第"+str(i+1)+"个模型"+"-"*5)
    left = i*le
    right = (i+1)*le

    Kx_train = np.concatenate((x_train_weight[:left],x_train_weight[right:]),axis=0)
    Kx_label = np.concatenate((labels["labels"][:left],labels["labels"][right:]),axis=0)
    Ky_train = x_train_weight[left:right]
    Ky_label = labels["labels"][left:right]

    dtrain = xgb.DMatrix(Kx_train, label=Kx_label)
    dval = xgb.DMatrix(Ky_train, label=Ky_label)


    params = {
        ‘booster‘: ‘gbtree‘,
        ‘objective‘: ‘multi:softmax‘,  # 多分类的问题
        ‘num_class‘: 16,  # 类别数，与 multisoftmax 并用
        # ‘gamma‘: 0.1,  # 用于控制是否后剪枝的参数,越大越保守，一般0.1、0.2这样子。
        ‘max_depth‘: 6,  # 构建树的深度，越大越容易过拟合
        # ‘lambda‘: 2,  # 控制模型复杂度的权重值的L2正则化项参数，参数越大，模型越不容易过拟合。
        # ‘subsample‘: 0.7,  # 随机采样训练样本
        # ‘colsample_bytree‘: 0.7,  # 生成树时进行的列采样
        # ‘min_child_weight‘: 1,
        # 这个参数默认是 1，是每个a叶子里面 h 的和至少是多少，对正负样本不均衡时的 0-1 分类而言
        # ，假设 h 在 0.01 附近，min_child_weight 为 1 意味着叶子节点中最少需要包含 100 个样本。
        # 这个参数非常影响结果，控制叶子节点中二阶导的和的最小值，该参数值越小，越容易 overfitting。
        ‘silent‘: 0,  # 设置成1则没有运行信息输出，最好是设置为0.
        ‘eta‘: 0.3,  # 如同学习率
        ‘seed‘: 666,  # 随机数种子，如果固定，则每次产生相同训练结果
        # ‘nthread‘: 4,  # cpu 线程数
        ‘class_weight‘: ‘balanced‘,
        ‘n_estimators‘: 100,
        ‘eval_metric‘: ‘merror‘
    }

    num_rounds = 40  # 迭代次数
    watchlist = [(dtrain, ‘train‘), (dval, ‘val‘)]

    # 训练模型并保存
    # early_stopping_rounds 当设置的迭代次数较大时，early_stopping_rounds 可在一定的迭代次数内准确率没有提升就停止训练
    model = xgb.train(params, dtrain, num_rounds, watchlist, early_stopping_rounds=50)


    # 模型预测
    y_predict = model.predict(dval)

    models.append(model)
    acc.append(metrics.accuracy_score(Ky_label, y_predict))

print("acc:", acc)



pred = []
for i in range(10):
    pred.append(models[i].predict(xgb.DMatrix(np.array(my_test))))

print("pred: ", pred)

my_jieguo = []
for i in range(len(my_labels)):
    t = [0 for _ in range(len(categories))] # 记录票数
    tg = [int(pred[j][i]) for j in range(10)] # 获取10个模型的预测结果

    # 统计票数
    for i in range(10):
        t[tg[i]] += acc[i]
    my_jieguo.append(t.index(max(t))) # 选出最高，加入结果

print("实际：", my_labels)
print("预测：", my_jieguo)

Ts = 0 # 预测正确的数量
error = [] # 预测储物的数据
for i in range(len(my_labels)):
    if my_labels[i] == my_jieguo[i]:
        Ts += 1
#    else:
#        error.append(features[random_index[i]])
print("准确率：%f" % (Ts/len(my_labels)))

with open("error.txt", "a", encoding="utf-8") as f:
    for i in error:
        f.write(i+"
")

for i in range(10):
    models[i].save_model(‘xgb_model/xgb%d.model‘ % i)  # 用于存储训练出的模型

二分类
也基本上是查不多的，前面都一样
这里二分类的结果输出不是0，1，而是小数，我以0.5为分割，小于为0，大于为1（1表示是，反之0表示否）

params = {
    ‘booster‘: ‘dart‘,
    ‘objective‘: ‘binary:logistic‘,
    ‘max_depth‘: 6,  # 构建树的深度，越大越容易过拟合
    ‘eta‘: 0.06,  # 学习率
    ‘n_estimators‘: 100,
    ‘class_weight‘: ‘balanced‘,
    ‘seed‘: 1001,  # 随机数种子，如果固定，则每次产生相同训练结果

}

num_rounds = 20 # 迭代次数
watchlist = [(dtrain, ‘train‘),(dval, ‘val‘)]

#训练模型并保存
# early_stopping_rounds 当设置的迭代次数较大时，early_stopping_rounds 可在一定的迭代次数内准确率没有提升就停止训练

model = xgb.train(params, dtrain, num_rounds, watchlist)

# model.save_model(‘/xgb.model‘) # 用于存储训练出的模型

# 模型预测

y_predict = model.predict(dval)  # 模型预测

predictions = [round(value) for value in y_predict]

accuracy = accuracy_score(Ky_lable, predictions)
acc.append(accuracy)
models.append(model)