上手机器学习系列-第5篇（上）-XGBoost_agaricus.txt.train

引言

在第4篇中我们简要介绍了GBDT的使用方法，本篇来聊一种进阶的GBDT-XGBoost，这是一款极其优秀的算法解决方案，项目官方网站：https://xgboost.readthedocs.io/en/latest/。

XGBoost本身最大的优势就在于它在工程上做了大量的工作，使得该算法可以广泛应用到不同的生态中（python、spark、C++等）。

Python + XGBoost

对官方DEMO的解剖

以下是XGBoost官网上给出来的一个DEMO代码：

import xgboost as xgb
# read in data
dtrain = xgb.DMatrix('demo/data/agaricus.txt.train')
dtest = xgb.DMatrix('demo/data/agaricus.txt.test')
# specify parameters via map
param = {
   'max_depth':2, 'eta':1, 'objective':'binary:logistic' }
num_round = 2
bst = xgb.train(param, dtrain, num_round)
# make prediction
preds = bst.predict(dtest)
1
2
3
4
5
6
7
8
9
10
11

这里的数据集显然是需要从xgboost软件附带的文件去下载，可以按照官网上说的那样把整个xgboost都git clone到本地（但这个有时候会因为网速的原因，不一定能顺利下载到），也可以到github上（https://github.com/dmlc/xgboost/tree/master/demo/data）去找到对应的目录下的数据，直接复制粘贴到本地文件中，反正怎么高效怎么来。

首先关注一下数据集的格式：

显然，这是已经预处理好的很干净的数据。第一列是目标变量（这一点跟很多数据集不同，一般情况下目标变量是在最后一列，不过没关系，核心还是要看读取数据时是怎么操作的，只要能正确解析就行，一会我们再去看它的代码实现细节）。其次，我们看到这里特征变量是用k:v这样的格式来表达，其实这是非常常用的一种格式，称为dense向量，与之相对的称为sparse向量，我们可以通过下图的示意来理解：

那上面这些120多个特征变量，分别是啥呢？我们可通过github上xgboost/demo/data/featmap.txt 这个文件来了解：

从这个文件的内容，我们可以推测出来它是对特征进行了one-hot-encoding。很多机器学习算法都不支持具有枚举值的变量，所以需要做这样的一个特征工程处理，原理如下图所示：

这样我们就对数据有了初步了解。接着去看代码操作。

在上面的代码中是用.Dmatrix读入数据，我们自己用 type(dtrain) 查看一下，发现返回的是xgboost.core.DMatrix这样一种数据类型，看来是xgboost自己定义的数据格式了。那么问题来了，
dtrain = xgb.DMatrix(‘demo/data/agaricus.txt.train’)
这一步操作之后，是把特征变量与目标变量保持到了一个数据集中，这与我们以往使用的sklearn接口是不同的，还记得吗，我们通常是把数据集拆成X_train， y_train 这样，有特征集与目标变量之分，之后再调用.fit(X_train, y_train)这样的接口来拟合数据。而这里我们看到是这样用的：
bst = xgb.train(param, dtrain, num_round)
train 我们可以认为等同于sklearn里面算法包接口的fit方法，但这里只传了一个dtrain数据集，并没有拆分开哪一列是目标变量，train这个方法是怎么知道用哪一列来拟合呢？我们猜想train这个方法一定与DMatrix数据结构有约定好的格式。为了解这里究竟是怎么处理的（没错，就是要多保留一些好奇心，这样写代码才有趣），我们去翻翻github上xgboost的源代码。

找啊找，我们在文件dmlc/xgboost/blob/master/python-package/xgboost/core.py中看到了DMatrix这个类的定义：

可见这里其实是支持传入目标向量的，但可以默认为空，那么猜想如果传入为空，它一定默认从前面的data中去提取这个目标向量了。

--------------以下过程不感兴趣的可以跳过————————
继续往下看，发现这样一个线索：

if label is not None:
            self.set_label(label)
1
2

看来，当传入的label不为空时，通过set_label 这个方法就直接获取到了label, 那么label未传入呢？但是我们居然没有找到 if label is None 这个逻辑的处理！呃，一定是在某个地方隐式处理了，继续找线索：

  def get_label(self):
        """Get the label of the DMatrix.
        Returns
        -------
        label : array
        """
        return self.get_float_info('label')

....

    def get_float_info(self, field):
        """Get float property from the DMatrix.
        Parameters
        ----------
        field: str
            The field name of the information
        Returns
        -------
        info : array
            a numpy array of float information of the data
        """
        length = c_bst_ulong()
        ret = ctypes.POINTER
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22