CatBoost快速入门
本文代码已上传CSDN,点我下载
文章目录
- 备注
- 推荐阅读
- 简介
- 安装
- 初试
- 可视化
- 决策树
- 特征重要性
- 最优模型
- 调用GPU
- 参考文献
备注
该库貌似仍不稳定,我在继续训练的时候找到一个BUGCan Not Training continuation(2020.2.27 版本0.21),现在已修复了
推荐阅读
MNIST & CatBoost保存模型并预测
快速掌握CatBoost基本用法
简介
CatBoost是一款高性能机器学习开源库,基于GBDT,由俄罗斯搜索巨头Yandex在2017年开源。
那么CatBoost与其他Boosting算法如LightGBM和XGBoost相比如何呢?
在质量上,无论是fine-tuned后还是默认情况下,CatBoost的loss优于其他三个框架。
在速度上,CatBoost在Epsilon和Higgs数据集上与对手进行了比较,在GPU训练下完胜对手,在CPU训练下与LightGBM平分秋色。
Epsilon数据集(二分类2001个特征)
Higgs数据集(二分类29个特征)
CatBoost特点有:
- 免调参高质量
- 支持类别特征
- 快速和可用GPU
- 提高准确性
- 快速预测
更多对比参见Battle of the Boosting Algos: LGB, XGB, Catboost,建议自己运行一遍,本人运行与原文有出入——XGBoost、LightGBM、Catboost对比
安装
GPU开箱即用,不用额外安装其他
pip install catboost
Jupyter可视化配置
pip install ipywidgets
jupyter nbextension enable --py widgetsnbextension
初试
CatBoost内置数据集Titanic,该数据集为二分类任务。
导入必要的包
from catboost.datasets import titanic
from catboost import CatBoostClassifier, Pool
from sklearn.model_selection import train_test_split
读取数据集
# 数据集
titanic_train, titanic_test = titanic()
titanic_train.head(10)
有数据为空NaN,例如乘客编号为6的年龄。
有数据是离散值,例如姓名和船票编号。
认为对模型训练作用性不大,去掉。
remove = ['PassengerId', 'Name', 'Ticket', 'Cabin']
X = titanic_train.drop(remove, axis=1) # 去掉无关信息
X = X.dropna(how='any', axis='rows') # 去掉空值
y = X.pop('Survived') # 标签
X.head()
结果如上,其中船舱等级、性别和登船码头(下标为0,1,6)显然为类别特征,而恰好CatBoost支持类别特征训练。
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
创建Pool对象,这是CatBoost自带的类,便于CatBoost库进行处理。
当然,CatBoost实现了sklearn的接口,直接使用pd.DataFrame类型的X_train, X_test, y_train, y_test
训练也行。
# 定义池(CatBoost最快的处理方式)
cat_features = [0, 1, 6] # 分类特征
train_pool = Pool(X_train, y_train, cat_features=cat_features)
test_pool = Pool(X_test, y_test, cat_features=cat_features)
定义CatBoost分类模型
# 定义模型
model = CatBoostClassifier()
训练,参数含义分别是:train_pool
训练数据,eval_set
验证集,plot
可视化,silent
不输出训练过程,use_best_model
使用最优模型
# 训练
model.fit(train_pool, eval_set=test_pool, plot=True, silent=True, use_best_model=True) #可视化,不输出过程,最优模型
查看最优结果和准确率
model.get_best_score() # 最优loss
{'learn': {'Logloss': 0.14129628504561498},'validation': {'Logloss': 0.471373085990394}}
model.score(test_pool) #准确率
0.8111888111888111
最后保存模型
model.save_model('titanic.model') # 保存模型
加载模型
del model
model = CatBoostClassifier()
model.load_model('titanic.model')
查看测试集数据
print(X_test[:10])
print(y_test[:10])
Pclass Sex Age SibSp Parch Fare Embarked
641 1 female 24.0 0 0 69.3000 C
496 1 female 54.0 1 0 78.2667 C
262 1 male 52.0 1 1 79.6500 S
311 1 female 18.0 2 2 262.3750 C
551 2 male 27.0 0 0 26.0000 S
550 1 male 17.0 0 2 110.8833 C
279 3 female 35.0 1 1 20.2500 S
268 1 female 58.0 0 1 153.4625 S
110 1 male 47.0 0 0 52.0000 S
554 3 female 22.0 0 0 7.7750 S
641 1
496 1
262 0
311 1
551 0
550 1
279 1
268 1
110 0
554 1
Name: Survived, dtype: int64
使用模型进行预测
model.predict(X_test[:10]) #预测
可以看到前5个都对了,后5个错得有点多
array([1, 1, 0, 1, 0, 0, 0, 1, 0, 0], dtype=int64)
使用模型进行概率预测
model.predict_proba(X_test[:10]) #预测概率
array([[0.02731782, 0.97268218],[0.03240048, 0.96759952],[0.63710499, 0.36289501],[0.03272136, 0.96727864],[0.80136214, 0.19863786],[0.64224485, 0.35775515],[0.64860225, 0.35139775],[0.06276485, 0.93723515],[0.64481127, 0.35518873],[0.58364375, 0.41635625]])
继续训练
new_model = CatBoostClassifier()
new_model.fit(test_pool, plot=True, silent=True, init_model='titanic.model') # 继续训练
可视化
fit()
时加入参数plot=True
model.fit(X_train, y_train, plot=True)
决策树
调用plot_tree()
,tree_idx
为树的索引
model.plot_tree(tree_idx=0, pool=test_pool)
特征重要性
调用模型属性model.feature_importances_
for i,j in zip(X.columns, model.feature_importances_):print('{}: {:.2f}%'.format(i,j))
Pclass: 18.62%
Sex: 46.79%
Age: 12.47%
SibSp: 4.68%
Parch: 2.16%
Fare: 10.65%
Embarked: 4.63%
%matplotlib inline
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
def feature_importances(df, model):max_num_features=10feature_importances = pd.DataFrame(columns = ['feature', 'importance'])feature_importances['feature'] = df.columnsfeature_importances['importance'] = model.feature_importances_feature_importances.sort_values(by='importance', ascending=False, inplace=True)feature_importances = feature_importances[:max_num_features]plt.figure(figsize=(12, 6));sns.barplot(x="importance", y="feature", data=feature_importances);plt.title('CatBoost features importance');
feature_importances(X, model)
看来最决定生死的前三个因素是性别、船舱等级和年龄。
最优模型
fit()
时加入参数use_best_model=True
model.fit(X_train, y_train, use_best_model=True)
调用GPU
定义模型时加入参数task_type="GPU"
model = CatBoostClassifier(task_type="GPU")
model.fit(X_train, y_train)
如果需要GPU支持,系统编译器必须与CUDA Toolkit兼容。
若报错请自行编译CatBoost Build from source on Windows
参考文献
- CatBoost - open-source gradient boosting library
- Quick start - CatBoost. Documentation
- CatBoost tutorials
- 机器学习算法之Catboost
- MNIST & Catboost保存模型并预测
CatBoost快速入门相关推荐
- Shiro第一个程序:官方快速入门程序Qucickstart详解教程
目录 一.下载解压 二.第一个Shiro程序 1. 导入依赖 2. 配置shiro配置文件 3. Quickstart.java 4. 启动测试 三.shiro.ini分析 四.Quickstart. ...
- 计算机入门新人必学,异世修真人怎么玩?新手快速入门必备技巧
异世修真人怎么快速入门?最近新出来的一款文字修仙游戏,很多萌新不知道怎么玩?进小编给大家带来了游戏新手快速入门技巧攻略,希望可以帮到大家. 新手快速入门攻略 1.开局出来往下找婆婆,交互给点钱,旁边有 ...
- Spring Boot 2 快速教程:WebFlux 快速入门(二)
2019独角兽企业重金招聘Python工程师标准>>> 摘要: 原创出处 https://www.bysocket.com 「公众号:泥瓦匠BYSocket 」欢迎关注和转载,保留摘 ...
- Apache Hive 快速入门 (CentOS 7.3 + Hadoop-2.8 + Hive-2.1.1)
2019独角兽企业重金招聘Python工程师标准>>> 本文节选自<Netkiller Database 手札> 第 63 章 Apache Hive 目录 63.1. ...
- 《iOS9开发快速入门》——导读
本节书摘来自异步社区<iOS9开发快速入门>一书中的目录,作者 刘丽霞 , 邱晓华,更多章节内容可以访问云栖社区"异步社区"公众号查看 目 录 前 言 第1章 iOS ...
- BIML 101 - ETL数据清洗 系列 - BIML 快速入门教程 - 序
BIML 101 - BIML 快速入门教程 做大数据的项目,最花时间的就是数据清洗. 没有一个相对可靠的数据,数据分析就是无木之舟,无水之源. 如果你已经进了ETL这个坑,而且预算有限,并且有大量的 ...
- python scrapy菜鸟教程_scrapy学习笔记(一)快速入门
安装Scrapy Scrapy是一个高级的Python爬虫框架,它不仅包含了爬虫的特性,还可以方便的将爬虫数据保存到csv.json等文件中. 首先我们安装Scrapy. pip install sc ...
- OpenStack快速入门
OpenStack云计算快速入门(1) 该教程基于Ubuntu12.04版,它将帮助读者建立起一份OpenStack最小化安装.我是五岳之巅,翻译中多采用意译法,所以个别词与原版有出入,请大家谅解.我 ...
- Expression Blend实例中文教程(2) - 界面快速入门
上一篇主要介绍Expression系列产品,另外概述了Blend的强大功能,本篇将用Blend 3创建一个新Silverlight项目,通过创建的过程,对Blend进行快速入门学习. 在开始使用Ble ...
- 图文并茂!60页PPT《快速入门python数据分析路线》(附链接)
一个月不走弯路快速入门学python和python数据分析路线,呕心沥血加班加点做了2天,一共63页,该课件讲的都是路线中的核心知识,今天把该PPT分享给大家,能根据该课件提到的知识有针对性的学,做到 ...
最新文章
- JavaScript封装一个注册函数解决兼容问题
- 显示计算机硬盘驱动器更改,笔记本硬盘驱动器的字母怎么修改?笔记本修改硬盘驱动器字母的方法...
- 使用 NOR Flash 中的supervivi 下载裸机程序到NandFlash
- linux7 rpmdb 修复,Linux[CentOS 7]rpmdb open failed错误修复
- 修改element默认样式_ggplot2作图:修改主题元素的外观样式(整体修改)
- 新版chrome调整开发者工具位置方式改变
- arcgis渔网分割提取栅格图_【操作】ArcGIS中字段的合并、分割、提取
- 很多人不知道的中国高校“V9联盟”,另一领域的顶尖牛校!
- 如何在Windows11和Windows10上获取驱动程序更新
- LNK2019 无法解析的外部符号 __imp_CommandLineToArgvW,该符号在函数 WinMain 中被引用
- 程序员的进阶课-架构师之路(7)-树的概念
- FPGA常用总线IIC 与SPI选择策略
- ★LeetCode(812)——最大三角形面积(JavaScript)
- php4.0中文手册,服务 — CodeIgniter 4.0.0 中文手册|用户手册|用户指南|中文文档
- win11扩展任务栏没东西怎么办 windows11扩展任务栏没东西的解决方法
- 编辑器笔记——sublime text3 编译sass
- matlab quiver 箭头颜色,matlab – quiver3箭头颜色对应大小
- linux下创造进程指令,Linux系统创建一个新进程(下)
- 文本分析python和r_中文文本挖掘R语言和Python哪个好?
- 在 Google 工作十年后的感悟