XGBoost 用于多标签分类？

Posted 2023-03-12

【中文标题】XGBoost 用于多标签分类？

【英文标题】：XGBoost for multilabel classification?

【发布时间】：2017-04-16 11:06:37

【问题描述】：

是否可以使用 XGBoost 进行多标签分类？现在我从sklearn 使用OneVsRestClassifier 而不是GradientBoostingClassifier。它可以工作，但只使用我 CPU 的一个内核。在我的数据中，我有大约 45 个特征，任务是用二进制（布尔）数据预测大约 20 列。指标是平均平均精度（map@7）。如果你有一个简短的代码示例要分享，那就太好了。

【问题讨论】：

你能解决这个问题吗？如果有，请提供解决方案。

【参考方案1】：

一种可能的方法是使用sklearn.multioutput 模块中的MultiOutputClassifier，而不是使用用于多类任务的OneVsRestClassifier。

下面是一个小的可重现示例代码，其中包含 OP 请求的输入特征和目标输出的数量

import xgboost as xgb
from sklearn.datasets import make_multilabel_classification
from sklearn.model_selection import train_test_split
from sklearn.multioutput import MultiOutputClassifier
from sklearn.metrics import accuracy_score

# create sample dataset
X, y = make_multilabel_classification(n_samples=3000, n_features=45, n_classes=20, n_labels=1,
                                      allow_unlabeled=False, random_state=42)

# split dataset into training and test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)

# create XGBoost instance with default hyper-parameters
xgb_estimator = xgb.XGBClassifier(objective='binary:logistic')

# create MultiOutputClassifier instance with XGBoost model inside
multilabel_model = MultiOutputClassifier(xgb_estimator)

# fit the model
multilabel_model.fit(X_train, y_train)

# evaluate on test data
print('Accuracy on test data: :.1f%'.format(accuracy_score(y_test, multilabel_model.predict(X_test))*100))

【讨论】：

先生，如果提供给 XGBoost 模型的数据包含缺失值怎么办？虽然我知道 xgboost 可以很好地用于二进制分类，即使数据包含缺失值，但初步尝试表明它不适用于多标签分类，当数据包含缺失值时。

恐怕无法具体帮助您。但是，我建议您在训练模型之前估算缺失值

【参考方案2】：

有几种方法可以做到这一点，其中一种是您已经建议的方法：

1.

from xgboost import XGBClassifier
from sklearn.multiclass import OneVsRestClassifier
# If you want to avoid the OneVsRestClassifier magic switch
# from sklearn.multioutput import MultiOutputClassifier

clf_multilabel = OneVsRestClassifier(XGBClassifier(**params))

clf_multilabel 将适合每个类一个二进制分类器，并且它将使用您在params 中指定的任意数量的内核（仅供参考，您也可以在OneVsRestClassifier 中指定n_jobs，但这会占用更多内存）。

2。 如果您首先通过对具有k 正确标签的每个数据点制作k 副本来稍微修改您的数据，您可以破解更简单的多类问题。到时候，就

clf = XGBClassifier(**params)
clf.fit(train_data)
pred_proba = clf.predict_proba(test_data)

获取每个类别的分类边距/概率，并确定您想要预测标签的阈值。 请注意，此解决方案并不精确：如果产品具有标签 (1, 2, 3)，则您人为地为每个类别引入了两个负样本。

【讨论】：

应该注意的是，如果你有很多标签，这可能会非常昂贵，因为它会为每个标签训练一个模型。我使用xgboost.XGBClassifier 作为底层分类器，使用 5 折交叉验证进行训练需要数小时。 @marco_ccc 谢谢你，这很有帮助。

【参考方案3】：

您可以为要预测的每个类别添加标签。 例如，如果这是您的数据：

X1 X2 X3 X4  Y1 Y2 Y3
 1  3  4  6   7  8  9
 2  5  5  5   5  3  2

您可以根据输出通过向输入添加标签来简单地重塑数据，xgboost 应该学习如何相应地处理它，如下所示：

X1 X2 X3 X4 X_label Y
 1  3  4  6   1     7
 2  5  5  5   1     5
 1  3  4  6   2     8
 2  5  5  5   2     3
 1  3  4  6   3     9
 2  5  5  5   3     2

这样您将拥有一维Y，但您仍然可以预测许多标签。

【讨论】：

这里的想法是，在测试期间，您将创建每个输入行的副本，更改 X_lable 字段并将该预测作为与 X_label 对应的标签？