XGB-1：XGBoost安装及快速上手

news2024/10/7 9:16:54

XGBoost是“Extreme Gradient Boosting”的缩写，是一种高效的机器学习算法，用于分类、回归和排序问题。它由陈天奇（Tianqi Chen）在2014年首次提出，并迅速在数据科学竞赛和工业界获得广泛应用。XGBoost基于梯度提升框架，但通过引入一系列优化来提升性能和效率。

XGBoost的主要特点：

性能高效：XGBoost通过并行处理和核外计算来优化计算速度，同时保持高预测精度。
灵活性：支持自定义目标函数和评估准则，适用于多种类型的问题。
鲁棒性：包括处理缺失值的功能，能够处理不完整的数据。
正则化：通过L1和L2正则化避免过拟合，提高模型的泛化能力。
剪枝：在树构建过程中进行预剪枝和后剪枝，减少过拟合的风险。
稀疏意识：在处理稀疏数据时更加高效，减少计算量。

应用场景：

分类问题：如邮件分类（垃圾邮件/非垃圾邮件）、图像识别等。
回归问题：如房价预测、股票价格预测等。
排序问题：如搜索引擎结果排序、推荐系统等。

如何使用XGBoost：

安装：通过Python的pip安装xgboost库。
数据准备：准备训练数据和标签。
模型训练：使用xgboost库中的XGBClassifier或XGBRegressor进行模型训练。
模型评估：使用交叉验证等方法评估模型性能。
参数调优：通过调整学习率、树的数量和深度等参数来优化模型。

XGBoost因其强大的功能和优异的性能，在众多机器学习算法中脱颖而出，成为解决复杂数据问题的有力工具。

安装指南

XGBoost提供了一些语言绑定的二进制软件包，这些二进制软件包支持在具有NVIDIA GPU的机器上使用GPU算法（设备为cuda:0）。请注意，仅在Linux平台上支持使用多个GPU进行训练。

Python

已经上传了预先构建的二进制软件包到PyPI（Python Package Index）以供每个发布版本使用。支持的平台包括Linux（x86_64、aarch64）、Windows（x86_64）和MacOS（x86_64、Apple Silicon）。

# 需要 Pip 21.3+
pip install xgboost

如果遇到权限错误，可能需要使用 --user 标志运行该命令，或者在虚拟环境中运行。

注意

Windows用户需要安装Visual C++ Redistributable

XGBoost需要Visual C++ Redistributable中的DLL文件才能正常运行，请确保安装它。例外情况：如果您已安装了Visual Studio，则已经可以访问必要的库，因此无需安装Visual C++ Redistributable。

每个平台的二进制软件包的功能：

Conda

可以使用Conda包管理器安装XGBoost：

conda install -c conda-forge py-xgboost

Conda应该能够检测到机器上是否存在GPU，并安装XGBoost的正确变体。如果遇到问题，请尝试明确指定变体：

# 仅CPU
conda install -c conda-forge py-xgboost-cpu
# 使用NVIDIA GPU
conda install -c conda-forge py-xgboost-gpu

请访问Miniconda网站获取Conda。

注意

在Windows上不提供py-xgboost-gpu

py-xgboost-gpu目前在Windows上不可用。如果使用Windows，请使用pip安装具有GPU支持的XGBoost

R

从CRAN：

install.packages("xgboost")

注意

在Mac OSX上使用所有CPU核心（线程）

如果使用的是Mac OSX，应该首先安装OpenMP库（libomp），方法是运行

brew install libomp

然后运行 install.packages("xgboost")。没有安装OpenMP，XGBoost将仅使用单个CPU核心，导致训练速度不理想。

还提供了带有GPU支持的实验性预构建二进制文件。使用此二进制文件，将能够在不从源代码构建XGBoost的情况下使用GPU算法。从Releases页面下载二进制软件包。文件名将采用xgboost_r_gpu_[os]_[version].tar.gz 的形式，其中[os]可以是linux或win64，然后通过运行以下命令安装XGBoost：

# 安装依赖项
R -q -e "install.packages(c('data.table', 'jsonlite'))"
# 安装XGBoost
R CMD INSTALL ./xgboost_r_gpu_linux.tar.gz

JVM

XGBoost4j/XGBoost4j-Spark

Maven

<properties>
  ...
  <!-- 在包名中指定 Scala 版本 -->
  <scala.binary.version>2.12</scala.binary.version>
</properties>

<dependencies>
  ...
  <dependency>
      <groupId>ml.dmlc</groupId>
      <artifactId>xgboost4j_${scala.binary.version}</artifactId>
      <version>latest_version_num</version>
  </dependency>
  <dependency>
      <groupId>ml.dmlc</groupId>
      <artifactId>xgboost4j-spark_${scala.binary.version}</artifactId>
      <version>latest_version_num</version>
  </dependency>
</dependencies>

sbt

libraryDependencies ++= Seq(
  "ml.dmlc" %% "xgboost4j" % "latest_version_num",
  "ml.dmlc" %% "xgboost4j-spark" % "latest_version_num"
)

XGBoost4j-GPU/XGBoost4j-Spark-GPU

Maven

<properties>
  ...
  <!-- 在包名中指定 Scala 版本 -->
  <scala.binary.version>2.12</scala.binary.version>
</properties>

<dependencies>
  ...
  <dependency>
      <groupId>ml.dmlc</groupId>
      <artifactId>xgboost4j-gpu_${scala.binary.version}</artifactId>
      <version>latest_version_num</version>
  </dependency>
  <dependency>
      <groupId>ml.dmlc</groupId>
      <artifactId>xgboost4j-spark-gpu_${scala.binary.version}</artifactId>
      <version>latest_version_num</version>
  </dependency>
</dependencies>

sbt

libraryDependencies ++= Seq(
  "ml.dmlc" %% "xgboost4j-gpu" % "latest_version_num",
  "ml.dmlc" %% "xgboost4j-spark-gpu" % "latest_version_num"
)

这将从 Maven 中央仓库获取最新的稳定版本。

要启用 GPU 算法（device='cuda'），改用 xgboost4j-gpu_2.12 和 xgboost4j-spark-gpu_2.12 这两个构件（请注意 gpu 后缀）。

注意

不支持 Windows 的 JVM 包

目前，XGBoost4J-Spark 不支持 Windows 平台，因为 Windows 上的分布式训练算法无法正常运行

快速开始

这是一个快速入门教程，其中包含一些片段，让您可以快速尝试在二分类任务的演示数据集上使用 XGBoost。

Python

from xgboost import XGBClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report


data = load_iris()
X_train, X_test, y_train, y_test = train_test_split(data['data'], data['target'], test_size=.2)

# create model instance
bst = XGBClassifier(
    n_estimators=2, max_depth=2, learning_rate=1, objective='binary:logistic')

# fit model
bst.fit(X_train, y_train)

# make predictions
preds = bst.predict(X_test)

classification_report(preds, y_test)

R

# load data
data(agaricus.train, package='xgboost')
data(agaricus.test, package='xgboost')
train <- agaricus.train
test <- agaricus.test
# fit model
bst <- xgboost(data = train$data, label = train$label, max.depth = 2, eta = 1, nrounds = 2,
               nthread = 2, objective = "binary:logistic")
# predict
pred <- predict(bst, test$data)

Julia

using XGBoost
# read data
train_X, train_Y = readlibsvm("demo/data/agaricus.txt.train", (6513, 126))
test_X, test_Y = readlibsvm("demo/data/agaricus.txt.test", (1611, 126))
# fit model
num_round = 2
bst = xgboost(train_X, num_round, label=train_Y, eta=1, max_depth=2)
# predict
pred = predict(bst, test_X)

Scala

import ml.dmlc.xgboost4j.scala.DMatrix
import ml.dmlc.xgboost4j.scala.XGBoost

object XGBoostScalaExample {
  def main(args: Array[String]) {
    // read trainining data, available at xgboost/demo/data
    val trainData =
      new DMatrix("/path/to/agaricus.txt.train")
    // define parameters
    val paramMap = List(
      "eta" -> 0.1,
      "max_depth" -> 2,
      "objective" -> "binary:logistic").toMap
    // number of iterations
    val round = 2
    // train the model
    val model = XGBoost.train(trainData, paramMap, round)
    // run prediction
    val predTrain = model.predict(trainData)
    // save model to the file.
    model.saveModel("/local/path/to/model")
  }
}