Xgboost分类模型的完整示例

在这里插入图片描述

往期精彩推荐

数据科学知识库
机器学习算法应用场景与评价指标
机器学习算法—分类
机器学习算法—回归
PySpark大数据处理详细教程

定义问题

UCI的蘑菇数据集的主要目的是为了分类任务，特别是区分蘑菇是可食用还是有毒。这个数据集包含了蘑菇的各种特征，如帽形、颜色、气味等，以及一个标签表示蘑菇是否有毒。通过对这些特征的分析，可以构建分类模型来预测任何一个蘑菇样本是否有毒。这种类型的任务对于练习数据科学和机器学习技能，尤其是分类算法的应用和理解，非常有帮助。

导入相关库

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.metrics import classification_report
from xgboost import XGBClassifier
from sklearn.model_selection import RandomizedSearchCV
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
import matplotlib.pyplot as plt
import shap

加载数据集

# 数据集的URL
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/mushroom/agaricus-lepiota.data"# 定义列名
column_names = ["class", "cap-shape", "cap-surface", "cap-color", "bruises", "odor","gill-attachment", "gill-spacing", "gill-size", "gill-color", "stalk-shape","stalk-root", "stalk-surface-above-ring", "stalk-surface-below-ring","stalk-color-above-ring", "stalk-color-below-ring", "veil-type", "veil-color","ring-number", "ring-type", "spore-print-color", "population", "habitat"]# 加载数据集
mushroom_data = pd.read_csv(url, names=column_names)# 查看数据集的前几行
mushroom_data.head(5)

在这里插入图片描述

数据探索

统计数据可以帮助您快速了解数据的分布情况、中心趋势和离散程度。在数据分析和机器学习的前期阶段，这是一个常用的探索性数据分析（EDA）步骤。

mushroom_data.describe()

在这里插入图片描述

数据预处理

去除异常值

# 可以根据均值标准差来定义异常值
均值 ± 3倍标准差  之外的定义为异常值

缺失值填充

mushroom_data = mushroom_data.fillna(0)

数值类型转换

# 将分类数据转换为数值
label_encoder = LabelEncoder()
for column in mushroom_data.columns:mushroom_data[column] = label_encoder.fit_transform(mushroom_data[column])

划分训练集与测试集

# 划分训练集和测试集
X = mushroom_data.drop('class', axis=1)
y = mushroom_data['class']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

均衡采样与模型定义

# 计算正负样本比例，在XGBoost模型中设置scale_pos_weight
scale_pos_weight = sum(y_train == 0) / sum(y_train == 1)# 定义模型
xgb_model = XGBClassifier(use_label_encoder=False, eval_metric='logloss', scale_pos_weight=scale_pos_weight)

随机搜索选参

定义XGBoost的参数搜索范围，并使用RandomizedSearchCV进行随机搜索，以找到最佳的超参数。

param_distributions = {'n_estimators': [100, 300, 500, 800, 1000],  # 表示树的个数。增加树的数量可以提高模型的复杂度，但也可能导致过拟合。'learning_rate': [0.01, 0.05, 0.1, 0.15, 0.2],  # 学习率，用于控制每棵树对最终结果的影响。较低的学习率意味着模型需要更多的树来进行训练。'max_depth': [3, 4, 5, 6, 7, 8],  # 树的最大深度。更深的树会增加模型的复杂度，但也可能导致过拟合。'min_child_weight': [1, 2, 3, 4],  # 决定最小叶子节点样本权重和。较大的值可以防止模型过于复杂，从而避免过拟合。'subsample': [0.6, 0.7, 0.8, 0.9, 1.0],  # 用于控制每棵树随机采样的比例，减少这个参数的值可以使模型更加保守，防止过拟合。'colsample_bytree': [0.6, 0.7, 0.8, 0.9, 1.0],  # 用于每棵树的训练时，随机采样的特征的比例。减少这个参数的值同样可以防止模型过于复杂。'gamma': [0, 0.1, 0.2, 0.3, 0.4]  # 后剪枝时，作为节点分裂所需的最小损失函数下降值。该参数值越大，算法越保守。
}random_search = RandomizedSearchCV(xgb_model, param_distributions, n_iter=50, cv=5, random_state=42
)
random_search.fit(X_train, y_train)best_params = random_search.best_params_
xgb_model.set_params(**best_params)

模型评估

使用找到的最佳参数训练XGBoost模型，然后在测试集上进行评估，计算性能指标如准确率、精确率、召回率和F1分数。

xgb_model.fit(X_train, y_train)
y_pred = xgb_model.predict(X_test)
# 混淆矩阵
cm = confusion_matrix(y_test, y_pred)
tn, fp, fn, tp = cm.ravel()
accuracy = accuracy_score(y_test, y_pred)
precision = precision_score(y_test, y_pred)
recall = recall_score(y_test, y_pred)
f1 = f1_score(y_test, y_pred)performance_df = pd.DataFrame({'TN': [tn], 'FP': [fp], 'FN': [fn], 'TP': [tp],'Accuracy': [accuracy_score(y_test, y_pred)],'Precision': [precision_score(y_test, y_pred)],'Recall': [recall_score(y_test, y_pred)],'F1 Score': [f1_score(y_test, y_pred)]})
# 展示模型评估结果
performance_df.head()

标准数据集，结果太完美了，实际数据集就差强人意了

在这里插入图片描述

模型特征重要性展示

# 获取特征重要性
feature_importances = xgb_model.feature_importances_# 可视化特征重要性
plt.style.use("ggplot")
plt.barh(range(len(feature_importances)), feature_importances)
plt.yticks(range(len(X.columns)), X.columns)
plt.xlabel('Feature Importance')
plt.title('Feature Importance in XGBoost Model')
plt.show()

在这里插入图片描述

SHAP负例分析

SHAP库提供了多种可视化工具，可以帮助您更深入地了解模型的行为。使用SHAP库计算XGBoost模型的SHAP值，分析被模型错误分类为负例的情况，并通过可视化来理解影响这些预测的关键特征在进行负例分析时，您可以专注于那些被模型错误分类的样本，并使用SHAP值来探究背后的原因。

# 计算SHAP值
explainer = shap.Explainer(xgb_model, X_train)
shap_values = explainer(X_test)# 可视化：展示单个预测的SHAP值
shap.initjs()
# shap.force_plot(explainer.expected_value, shap_values[0,:], X_test[0,:])# 可视化：展示所有测试数据的SHAP值
shap.summary_plot(shap_values, X_test)

在这里插入图片描述