您的位置:首页 > 编程语言

主流机器学习模型模板代码+经验分享[xgb, lgb, Keras, LR]

2018-01-11 12:14 549 查看
刷比赛利器,感谢分享的人。


摘要

最近打各种比赛,在这里分享一些General Model,稍微改改就能用的

环境: python 3.5.2

XGBoost调参大全: http://blog.csdn.net/han_xiaoyang/article/details/52665396 

XGBoost 官方API: 
http://xgboost.readthedocs.io/en/latest//python/python_api.html


Preprocess

[python]
view plain
copy

# 通用的预处理框架  
  
import pandas as pd  
import numpy as np  
import scipy as sp  
  
# 文件读取  
def read_csv_file(f, logging=False):  
    print("==========读取数据=========")  
    data =  pd.read_csv(f)  
    if logging:  
        print(data.head(5))  
        print(f, "包含以下列")  
        print(data.columns.values)  
        print(data.describe())  
        print(data.info())  
    return data  


Logistic Regression

[python]
view plain
copy

# 通用的LogisticRegression框架  
  
import pandas as pd  
import numpy as np  
from scipy import sparse  
from sklearn.preprocessing import OneHotEncoder  
from sklearn.linear_model import LogisticRegression  
from sklearn.preprocessing import StandardScaler  
  
# 1. load data  
df_train = pd.DataFrame()  
df_test  = pd.DataFrame()  
y_train = df_train['label'].values  
  
# 2. process data  
ss = StandardScaler()  
  
  
# 3. feature engineering/encoding  
# 3.1 For Labeled Feature  
enc = OneHotEncoder()  
feats = ["creativeID", "adID", "campaignID"]  
for i, feat in enumerate(feats):  
    x_train = enc.fit_transform(df_train[feat].values.reshape(-1, 1))  
    x_test = enc.fit_transform(df_test[feat].values.reshape(-1, 1))  
    if i == 0:  
        X_train, X_test = x_train, x_test  
    else:  
        X_train, X_test = sparse.hstack((X_train, x_train)), sparse.hstack((X_test, x_test))  
  
# 3.2 For Numerical Feature  
# It must be a 2-D Data for StandardScalar, otherwise reshape(-1, len(feats)) is required  
feats = ["price", "age"]  
x_train = ss.fit_transform(df_train[feats].values)  
x_test  = ss.fit_transform(df_test[feats].values)  
X_train, X_test = sparse.hstack((X_train, x_train)), sparse.hstack((X_test, x_test))  
  
# model training  
lr = LogisticRegression()  
lr.fit(X_train, y_train)  
proba_test = lr.predict_proba(X_test)[:, 1]  


LightGBM


1. 二分类

[python]
view plain
copy

import lightgbm as lgb  
import pandas as pd  
import numpy as np  
import pickle  
from sklearn.metrics import roc_auc_score  
from sklearn.model_selection import train_test_split  
  
print("Loading Data ... ")  
  
# 导入数据  
train_x, train_y, test_x = load_data()  
  
# 用sklearn.cross_validation进行训练数据集划分,这里训练集和交叉验证集比例为7:3,可以自己根据需要设置  
X, val_X, y, val_y = train_test_split(  
    train_x,  
    train_y,  
    test_size=0.05,  
    random_state=1,  
    stratify=train_y ## 这里保证分割后y的比例分布与原数据一致  
)  
  
X_train = X  
y_train = y  
X_test = val_X  
y_test = val_y  
  
  
# create dataset for lightgbm  
lgb_train = lgb.Dataset(X_train, y_train)  
lgb_eval = lgb.Dataset(X_test, y_test, reference=lgb_train)  
# specify your configurations as a dict  
params = {  
    'boosting_type': 'gbdt',  
    'objective': 'binary',  
    'metric': {'binary_logloss', 'auc'},  
    'num_leaves': 5,  
    'max_depth': 6,  
    'min_data_in_leaf': 450,  
    'learning_rate': 0.1,  
    'feature_fraction': 0.9,  
    'bagging_fraction': 0.95,  
    'bagging_freq': 5,  
    'lambda_l1': 1,    
    'lambda_l2': 0.001,  # 越小l2正则程度越高  
    'min_gain_to_split': 0.2,  
    'verbose': 5,  
    'is_unbalance': True  
}  
  
# train  
print('Start training...')  
gbm = lgb.train(params,  
                lgb_train,  
                num_boost_round=10000,  
                valid_sets=lgb_eval,  
                early_stopping_rounds=500)  
  
print('Start predicting...')  
  
preds = gbm.predict(test_x, num_iteration=gbm.best_iteration)  # 输出的是概率结果  
  
# 导出结果  
threshold = 0.5  
for pred in preds:  
    result = 1 if pred > threshold else 0  
  
# 导出特征重要性  
importance = gbm.feature_importance()  
names = gbm.feature_name()  
with open('./feature_importance.txt', 'w+') as file:  
    for index, im in enumerate(importance):  
        string = names[index] + ', ' + str(im) + '\n'  
        file.write(string)  


2. 多分类

[python]
view plain
copy

import lightgbm as lgb  
import pandas as pd  
import numpy as np  
import pickle  
from sklearn.metrics import roc_auc_score  
from sklearn.model_selection import train_test_split  
  
print("Loading Data ... ")  
  
# 导入数据  
train_x, train_y, test_x = load_data()  
  
# 用sklearn.cross_validation进行训练数据集划分,这里训练集和交叉验证集比例为7:3,可以自己根据需要设置  
X, val_X, y, val_y = train_test_split(  
    train_x,  
    train_y,  
    test_size=0.05,  
    random_state=1,  
    stratify=train_y ## 这里保证分割后y的比例分布与原数据一致  
)  
  
X_train = X  
y_train = y  
X_test = val_X  
y_test = val_y  
  
  
# create dataset for lightgbm  
lgb_train = lgb.Dataset(X_train, y_train)  
lgb_eval = lgb.Dataset(X_test, y_test, reference=lgb_train)  
# specify your configurations as a dict  
params = {  
    'boosting_type': 'gbdt',  
    'objective': 'multiclass',  
    'num_class': 9,  
    'metric': 'multi_error',  
    'num_leaves': 300,  
    'min_data_in_leaf': 100,  
    'learning_rate': 0.01,  
    'feature_fraction': 0.8,  
    'bagging_fraction': 0.8,  
    'bagging_freq': 5,  
    'lambda_l1': 0.4,  
    'lambda_l2': 0.5,  
    'min_gain_to_split': 0.2,  
    'verbose': 5,  
    'is_unbalance': True  
}  
  
# train  
print('Start training...')  
gbm = lgb.train(params,  
                lgb_train,  
                num_boost_round=10000,  
                valid_sets=lgb_eval,  
                early_stopping_rounds=500)  
  
print('Start predicting...')  
  
preds = gbm.predict(test_x, num_iteration=gbm.best_iteration)  # 输出的是概率结果  
  
# 导出结果  
for pred in preds:  
    result = prediction = int(np.argmax(pred))  
  
# 导出特征重要性  
importance = gbm.feature_importance()  
names = gbm.feature_name()  
with open('./feature_importance.txt', 'w+') as file:  
    for index, im in enumerate(importance):  
        string = names[index] + ', ' + str(im) + '\n'  
        file.write(string)  


XGBoost


1. 二分类

[python]
view plain
copy

import numpy as np  
import pandas as pd  
import xgboost as xgb  
import time  
from sklearn.model_selection import StratifiedKFold  
  
  
from sklearn.model_selection import train_test_split  
train_x, train_y, test_x = load_data()  
  
# 构建特征  
  
  
# 用sklearn.cross_validation进行训练数据集划分,这里训练集和交叉验证集比例为7:3,可以自己根据需要设置  
X, val_X, y, val_y = train_test_split(  
    train_x,  
    train_y,  
    test_size=0.01,  
    random_state=1,  
    stratify=train_y  
)  
  
# xgb矩阵赋值  
xgb_val = xgb.DMatrix(val_X, label=val_y)  
xgb_train = xgb.DMatrix(X, label=y)  
xgb_test = xgb.DMatrix(test_x)  
  
# xgboost模型 #####################  
  
params = {  
    'booster': 'gbtree',  
    # 'objective': 'multi:softmax',  # 多分类的问题、  
    # 'objective': 'multi:softprob',   # 多分类概率  
    'objective': 'binary:logistic',  
    'eval_metric': 'logloss',  
    # 'num_class': 9,  # 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': 8,  # 构建树的深度,越大越容易过拟合  
    'alpha': 0,   # L1正则化系数  
    'lambda': 10,  # 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': 0.5,  # 生成树时进行的列采样  
    'min_child_weight': 3,  
    # 这个参数默认是 1,是每个叶子里面 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': 0.03,  # 如同学习率  
    'seed': 1000,  
    'nthread': -1,  # cpu 线程数  
    'missing': 1,  
    'scale_pos_weight': (np.sum(y==0)/np.sum(y==1))  # 用来处理正负样本不均衡的问题,通常取:sum(negative cases) / sum(positive cases)  
    # 'eval_metric': 'auc'  
}  
plst = list(params.items())  
num_rounds = 2000  # 迭代次数  
watchlist = [(xgb_train, 'train'), (xgb_val, 'val')]  
  
# 交叉验证  
result = xgb.cv(plst, xgb_train, num_boost_round=200, nfold=4, early_stopping_rounds=200, verbose_eval=True, folds=StratifiedKFold(n_splits=4).split(X, y))  
  
# 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(plst, xgb_train, num_rounds, watchlist, early_stopping_rounds=200)  
model.save_model('../data/model/xgb.model')  # 用于存储训练出的模型  
  
preds = model.predict(xgb_test)  
  
# 导出结果  
threshold = 0.5  
for pred in preds:  
    result = 1 if pred > threshold else 0  


CatBoost

没用过,听老铁说还行


Keras


1. 二分类

[python]
view plain
copy

import numpy as np  
import pandas as pd  
import time  
from sklearn.model_selection import train_test_split  
from matplotlib import pyplot as plt  
  
from keras.models import Sequential  
from keras.layers import Dropout  
from keras.layers import Dense, Activation  
from keras.utils.np_utils import to_categorical  
  
# coding=utf-8  
from model.util import load_data as load_data_1  
from model.util_combine_train_test import load_data as load_data_2  
from sklearn.preprocessing import StandardScaler # 用于特征的标准化  
from sklearn.preprocessing import Imputer  
  
print("Loading Data ... ")  
# 导入数据  
train_x, train_y, test_x = load_data()  
  
# 构建特征  
X_train = train_x.values  
X_test  = test_x.values  
y = train_y  
  
imp = Imputer(missing_values='NaN', strategy='mean', axis=0)  
X_train = imp.fit_transform(X_train)  
  
sc = StandardScaler()  
sc.fit(X_train)  
X_train = sc.transform(X_train)  
X_test  = sc.transform(X_test)  
  
  
model = Sequential()  
model.add(Dense(256, input_shape=(X_train.shape[1],)))  
model.add(Activation('tanh'))  
model.add(Dropout(0.3))  
model.add(Dense(512))  
model.add(Activation('relu'))  
model.add(Dropout(0.3))  
model.add(Dense(512))  
model.add(Activation('tanh'))  
model.add(Dropout(0.3))  
model.add(Dense(256))  
model.add(Activation('linear'))  
model.add(Dense(1)) # 这里需要和输出的维度一致  
model.add(Activation('sigmoid'))  
  
# For a multi-class classification problem  
model.compile(loss='binary_crossentropy',  
              optimizer='rmsprop',  
              metrics=['accuracy'])  
  
epochs = 100  
model.fit(X_train, y, epochs=epochs, batch_size=2000, validation_split=0.1, shuffle=True)  
  
# 导出结果  
threshold = 0.5  
for index, case in enumerate(X_test):  
    case =np.array([case])  
    prediction_prob = model.predict(case)  
    prediction = 1 if prediction_prob[0][0] > threshold else 0  


2. 多分类

[python]
view plain
copy

import numpy as np  
import pandas as pd  
import time  
from sklearn.model_selection import train_test_split  
from matplotlib import pyplot as plt  
  
from keras.models import Sequential  
from keras.layers import Dropout  
from keras.layers import Dense, Activation  
from keras.utils.np_utils import to_categorical  
  
# coding=utf-8  
from model.util import load_data as load_data_1  
from model.util_combine_train_test import load_data as load_data_2  
from sklearn.preprocessing import StandardScaler # 用于特征的标准化  
from sklearn.preprocessing import Imputer  
  
print("Loading Data ... ")  
# 导入数据  
train_x, train_y, test_x = load_data()  
  
# 构建特征  
X_train = train_x.values  
X_test  = test_x.values  
y = train_y  
  
# 特征处理  
sc = StandardScaler()  
sc.fit(X_train)  
X_train = sc.transform(X_train)  
X_test  = sc.transform(X_test)  
y = to_categorical(y) ## 这一步很重要,一定要将多类别的标签进行one-hot编码  
  
  
model = Sequential()  
model.add(Dense(256, input_shape=(X_train.shape[1],)))  
model.add(Activation('tanh'))  
model.add(Dropout(0.3))  
model.add(Dense(512))  
model.add(Activation('relu'))  
model.add(Dropout(0.3))  
model.add(Dense(512))  
model.add(Activation('tanh'))  
model.add(Dropout(0.3))  
model.add(Dense(256))  
model.add(Activation('linear'))  
model.add(Dense(9)) # 这里需要和输出的维度一致  
model.add(Activation('softmax'))  
  
# For a multi-class classification problem  
model.compile(optimizer='rmsprop',  
              loss='categorical_crossentropy',  
              metrics=['accuracy'])  
  
epochs = 200  
model.fit(X_train, y, epochs=epochs, batch_size=200, validation_split=0.1, shuffle=True)  
  
# 导出结果  
for index, case in enumerate(X_test):  
    case = np.array([case])  
    prediction_prob = model.predict(case)  
    prediction = np.argmax(prediction_prob)  


处理正负样本不均匀的案例

有些案例中,正负样本数量相差非常大,数据严重unbalanced,这里提供几个解决的思路

[python]
view plain
copy

# 计算正负样本比例  
positive_num = df_train[df_train['label']==1].values.shape[0]  
negative_num = df_train[df_train['label']==0].values.shape[0]  
print(float(positive_num)/float(negative_num))  


主要思路


1. 手动调整正负样本比例


2. 过采样 Over-Sampling

对训练集里面样本数量较少的类别(少数类)进行过采样,合成新的样本来缓解类不平衡,比如SMOTE算法


3. 欠采样 Under-Sampling


4. 将样本按比例一一组合进行训练,训练出多个弱分类器,最后进行集成


框架推荐

Github上大神写的相关框架,专门用来处理此类问题: 
https://github.com/scikit-learn-contrib/imbalanced-learn


写在最后

实践永远是检验真理的不二选择

多打打比赛,对各种业务环境下的任务都能有所了解,也能学习新技术。
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: