作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。

邮箱：huang.tian-yuan@qq.com

xgboost作为当前基于树模型的最佳预测方案，值得深入了解并实践。这里仅基于DALEX_and_xgboost（相关内容点击阅读原文）的内容进行简要的实践操作和介绍。

# 回归模型

## 数据的载入

这里使用breakDown包的wine函数进行建模。

```{r}

library("breakDown")

head(wine)

```

## 模型构建

在xgboost包中进行建模，必须要所有变量都转化为数值，而且最佳的方案是使用xgboost包内置的数据类型（使用`xgb.DMatrix`构造）。首先我们来构造这个矩阵：

```{r}

library("xgboost")

model_martix_train <- model.matrix(quality ~ . - 1, wine)

data_train <- xgb.DMatrix(model_martix_train, label = wine$quality)

```

这里，`model.matrix`函数一般用来对因子变量进行展平变为数值，但是这里我们的数据集没有因子变量，所以就仅仅把响应变量抽取了出来,并转化为矩阵类型（matrix）。下面，对必要的参数进行设置，并开始建模。

```{r}

param <- list(max_depth = 2, eta = 1, silent = 1, nthread = 2,

objective = "reg:linear")

wine_xgb_model <- xgb.train(param, data_train, nrounds = 50)

wine_xgb_model

```

用的是线性模型，参数请参考官网<XGBoost Parameters>。

## 模型解析

直接上DALEX包的explain函数即可。

```{r}

library("DALEX")

explainer_xgb <- explain(wine_xgb_model,

data = model_martix_train,

y = wine$quality,

label = "xgboost")

explainer_xgb

```

## 单变量解析

随着酒精含量的变化，酒的质量有什么变化？

```{r}

sv_xgb_satisfaction_level <- variable_response(explainer_xgb,

variable = "alcohol",

type = "pdp")

head(sv_xgb_satisfaction_level)

plot(sv_xgb_satisfaction_level)

```

## 在一次预测中不同变量的贡献

尽管模型是对总体的总结，但是对于不同的个体而言，每个变量对其最终预测起到的作用是有差别的。我们把第一个样本取出来，然后进行尝试。

```{r}

nobs <- model_martix_train[1, , drop = FALSE]

sp_xgb <- prediction_breakdown(explainer_xgb,

observation = nobs)

head(sp_xgb)

plot(sp_xgb)

```

从这个试验中我们可以看到，fixed.acidity和residual.sugar在这个预测中被认为有积极的作用，而volatile.acidity和density则相反。

## 变量重要性

```{r}

vd_xgb <- variable_importance(explainer_xgb, type = "raw")

head(vd_xgb)

plot(vd_xgb)

```

# 分类模型

## 数据的载入

这里使用离职率预测的数据集进行探索。

```{r}

library("breakDown")

head(HR_data)

```

## 模型构建

过程基本与上面一致，不做赘述。值得注意的是，这份数据集中是有因子变量的，所以做model.matrix非常合适。此外，中间的公式`left ~ . - 1`表示的是减去截距，如果不理解，可以不减试试看。因为响应变量只有两种类型，所以使用逻辑回归，采用AUC作为评价标准。

```{r}

library("xgboost")

model_martix_train <- model.matrix(left ~ . - 1, HR_data)

data_train <- xgb.DMatrix(model_martix_train, label = HR_data$left)

param <- list(max_depth = 2, eta = 1, silent = 1, nthread = 2,

objective = "binary:logistic", eval_metric = "auc")

HR_xgb_model <- xgb.train(param, data_train, nrounds = 50)

HR_xgb_model

```

## 模型解析

DALEX只能够处理数值型的响应变量，因此这里需要设置连接函数和预测函数。

```{r}

library("DALEX")

predict_logit <- function(model, x) {

raw_x <- predict(model, x)

exp(raw_x)/(1 + exp(raw_x)) #虽然官方文档加了这个，但是真的需要吗？预测值本身就是概率值

}

logit <- function(x) exp(x)/(1+exp(x))

```

我们来看看函数的功能。predict_logit函数接受一个模型和数据x（虽然没有定义类型，但是我们能够判断基本是一个新的数据集），根据模型对新的数据进行预测，然后对预测值进行转化（链接函数）。而logit就是链接函数的格式。

下面用函数进行解析。

```{r}

explainer_xgb <- explain(HR_xgb_model,

data = model_martix_train,

y = HR_data$left,

predict_function = predict_logit,

link = logit,

label = "xgboost")

explainer_xgb

```

# 单变量解析

```{r}

sv_xgb_satisfaction_level <- variable_response(explainer_xgb,

variable = "satisfaction_level",

type = "pdp")

head(sv_xgb_satisfaction_level)

plot(sv_xgb_satisfaction_level)

```

随着满意度升高，离职的概率在减少。

# 单样本预测

```{r}

nobs <- model_martix_train[1, , drop = FALSE]

sp_xgb <- prediction_breakdown(explainer_xgb,

observation = nobs)

head(sp_xgb)

plot(sp_xgb)

```

对于这个员工而言，最后一次评估这个变量的贡献最大。

## 变量重要性

```{r}

vd_xgb <- variable_importance(explainer_xgb, type = "raw")

head(vd_xgb)

plot(vd_xgb)

```

员工的满意度是最能够反映离职率的变量。

——————————————

往期精彩：

• 今天，我改名了！

• 大碗宽面 VS 律师函警告，情感分析吴亦凡自黑式圈粉！

• 精选| 2019年3月R新包推荐