Повышение — это метод машинного обучения, который, как было показано, позволяет создавать модели с высокой точностью прогнозирования.
Одним из наиболее распространенных способов реализации повышения на практике является использование XGBoost , сокращенно от «экстремального повышения градиента».
В этом руководстве представлен пошаговый пример того, как использовать XGBoost для соответствия модели с усилением в R.
Шаг 1: Загрузите необходимые пакеты
Во-первых, мы загрузим необходимые библиотеки.
library (xgboost) #for fitting the xgboost model
library (caret) #for general data preparation and model fitting
Шаг 2: Загрузите данные
В этом примере мы подгоним усиленную регрессионную модель к набору данных Boston из пакета MASS .
Этот набор данных содержит 13 переменных-предикторов, которые мы будем использовать для прогнозирования одной переменной ответа , называемой mdev , которая представляет собой медианное значение домов в различных районах переписи вокруг Бостона.
#load the data
data = MASS::Boston
#view the structure of the data
str(data)
'data.frame': 506 obs. of 14 variables:
$ crim : num 0.00632 0.02731 0.02729 0.03237 0.06905 ...
$ zn : num 18 0 0 0 0 0 12.5 12.5 12.5 12.5 ...
$ indus : num 2.31 7.07 7.07 2.18 2.18 2.18 7.87 7.87 7.87 7.87 ...
$ chas : int 0 0 0 0 0 0 0 0 0 0 ...
$ nox : num 0.538 0.469 0.469 0.458 0.458 0.458 0.524 0.524 0.524 0.524 ...
$ rm : num 6.58 6.42 7.18 7 7.15 ...
$ age : num 65.2 78.9 61.1 45.8 54.2 58.7 66.6 96.1 100 85.9 ...
$ dis : num 4.09 4.97 4.97 6.06 6.06 ...
$ rad : int 1 2 2 3 3 3 5 5 5 5 ...
$ tax : num 296 242 242 222 222 222 311 311 311 311 ...
$ ptratio: num 15.3 17.8 17.8 18.7 18.7 18.7 15.2 15.2 15.2 15.2 ...
$ black : num 397 397 393 395 397 ...
$ lstat : num 4.98 9.14 4.03 2.94 5.33 ...
$ medv : num 24 21.6 34.7 33.4 36.2 28.7 22.9 27.1 16.5 18.9 ...
Мы видим, что набор данных содержит 506 наблюдений и всего 14 переменных.
Шаг 3: Подготовьте данные
Далее мы воспользуемся функцией createDataPartition() из пакета Caret, чтобы разделить исходный набор данных на набор для обучения и тестирования.
В этом примере мы решим использовать 80% исходного набора данных как часть обучающего набора.
Обратите внимание, что пакет xgboost также использует матричные данные, поэтому мы будем использовать функцию data.matrix() для хранения наших переменных-предикторов.
#make this example reproducible
set.seed(0)
#split into training (80%) and testing set (20%)
parts = createDataPartition(data$medv, p = .8 , list = F )
train = data[parts, ]
test = data[-parts, ]
#define predictor and response variables in training set
train_x = data. matrix (train[, -13])
train_y = train[,13]
#define predictor and response variables in testing set
test_x = data. matrix (test[, -13])
test_y = test[, 13]
#define final training and testing sets
xgb_train = xgb. DMatrix (data = train_x, label = train_y)
xgb_test = xgb. DMatrix (data = test_x, label = test_y)
Шаг 4: Подгонка модели
Далее мы подгоним модель XGBoost с помощью функции xgb.train() , которая отображает среднеквадратичную ошибку обучения и тестирования (среднеквадратическую ошибку) для каждого раунда бустинга.
Обратите внимание, что для этого примера мы решили использовать 70 раундов, но для гораздо больших наборов данных нередко используются сотни или даже тысячи раундов. Только имейте в виду, что чем больше раундов, тем дольше время выполнения.
Также обратите внимание, что аргумент max.depth указывает, насколько глубоко должны расти отдельные деревья решений. Обычно мы выбираем это число довольно низким, например, 2 или 3, чтобы выращивать деревья меньшего размера. Было показано, что этот подход дает более точные модели.
#define watchlist
watchlist = list(train=xgb_train, test=xgb_test)
#fit XGBoost model and display training and testing data at each round
model = xgb.train(data = xgb_train, max.depth = 3 , watchlist=watchlist, nrounds = 70 )
[1] train-rmse:10.167523 test-rmse:10.839775
[2] train-rmse:7.521903 test-rmse:8.329679
[3] train-rmse:5.702393 test-rmse:6.691415
[4] train-rmse:4.463687 test-rmse:5.631310
[5] train-rmse:3.666278 test-rmse:4.878750
[6] train-rmse:3.159799 test-rmse:4.485698
[7] train-rmse:2.855133 test-rmse:4.230533
[8] train-rmse:2.603367 test-rmse:4.099881
[9] train-rmse:2.445718 test-rmse:4.084360
[10] train-rmse:2.327318 test-rmse:3.993562
[11] train-rmse:2.267629 test-rmse:3.944454
[12] train-rmse:2.189527 test-rmse:3.930808
[13] train-rmse:2.119130 test-rmse:3.865036
[14] train-rmse:2.086450 test-rmse:3.875088
[15] train-rmse:2.038356 test-rmse:3.881442
[16] train-rmse:2.010995 test-rmse:3.883322
[17] train-rmse:1.949505 test-rmse:3.844382
[18] train-rmse:1.911711 test-rmse:3.809830
[19] train-rmse:1.888488 test-rmse:3.809830
[20] train-rmse:1.832443 test-rmse:3.758502
[21] train-rmse:1.816150 test-rmse:3.770216
[22] train-rmse:1.801369 test-rmse:3.770474
[23] train-rmse:1.788891 test-rmse:3.766608
[24] train-rmse:1.751795 test-rmse:3.749583
[25] train-rmse:1.713306 test-rmse:3.720173
[26] train-rmse:1.672227 test-rmse:3.675086
[27] train-rmse:1.648323 test-rmse:3.675977
[28] train-rmse:1.609927 test-rmse:3.745338
[29] train-rmse:1.594891 test-rmse:3.756049
[30] train-rmse:1.578573 test-rmse:3.760104
[31] train-rmse:1.559810 test-rmse:3.727940
[32] train-rmse:1.547852 test-rmse:3.731702
[33] train-rmse:1.534589 test-rmse:3.729761
[34] train-rmse:1.520566 test-rmse:3.742681
[35] train-rmse:1.495155 test-rmse:3.732993
[36] train-rmse:1.467939 test-rmse:3.738329
[37] train-rmse:1.446343 test-rmse:3.713748
[38] train-rmse:1.435368 test-rmse:3.709469
[39] train-rmse:1.401356 test-rmse:3.710637
[40] train-rmse:1.390318 test-rmse:3.709461
[41] train-rmse:1.372635 test-rmse:3.708049
[42] train-rmse:1.367977 test-rmse:3.707429
[43] train-rmse:1.359531 test-rmse:3.711663
[44] train-rmse:1.335347 test-rmse:3.709101
[45] train-rmse:1.331750 test-rmse:3.712490
[46] train-rmse:1.313087 test-rmse:3.722981
[47] train-rmse:1.284392 test-rmse:3.712840
[48] train-rmse:1.257714 test-rmse:3.697482
[49] train-rmse:1.248218 test-rmse:3.700167
[50] train-rmse:1.243377 test-rmse:3.697914
[51] train-rmse:1.231956 test-rmse:3.695797
[52] train-rmse:1.219341 test-rmse:3.696277
[53] train-rmse:1.207413 test-rmse:3.691465
[54] train-rmse:1.197197 test-rmse:3.692108
[55] train-rmse:1.171748 test-rmse:3.683577
[56] train-rmse:1.156332 test-rmse:3.674458
[57] train-rmse:1.147686 test-rmse:3.686367
[58] train-rmse:1.143572 test-rmse:3.686375
[59] train-rmse:1.129780 test-rmse:3.679791
[60] train-rmse:1.111257 test-rmse:3.679022
[61] train-rmse:1.093541 test-rmse:3.699670
[62] train-rmse:1.083934 test-rmse:3.708187
[63] train-rmse:1.067109 test-rmse:3.712538
[64] train-rmse:1.053887 test-rmse:3.722480
[65] train-rmse:1.042127 test-rmse:3.720720
[66] train-rmse:1.031617 test-rmse:3.721224
[67] train-rmse:1.016274 test-rmse:3.699549
[68] train-rmse:1.008184 test-rmse:3.709522
[69] train-rmse:0.999220 test-rmse:3.708000
[70] train-rmse:0.985907 test-rmse:3.705192
Из вывода видно, что минимальное среднеквадратичное отклонение при тестировании достигается при 56 раундах. После этой точки среднеквадратичное отклонение теста фактически начинает увеличиваться, что является признаком того, что мы переобучаем обучающие данные .
Таким образом, мы определим нашу окончательную модель XGBoost для использования 56 раундов:
#define final model
final = xgboost(data = xgb_train, max.depth = 3 , nrounds = 56 , verbose = 0 )
Примечание. Аргумент verbose = 0 указывает R не отображать ошибку обучения и тестирования для каждого раунда.
Шаг 5: Используйте модель для прогнозирования
Наконец, мы можем использовать окончательную форсированную модель, чтобы сделать прогноз о средней стоимости дома в Бостоне в тестовой выборке.
Затем мы рассчитаем следующие меры точности для модели:
- MSE: среднеквадратическая ошибка
- MAE: средняя абсолютная ошибка
- RMSE: среднеквадратическая ошибка
mean((test_y - pred_y)^2) #mse
caret::MAE(test_y, pred_y) #mae
caret::RMSE(test_y, pred_y) #rmse
[1] 13.50164
[1] 2.409426
[1] 3.674457
Среднеквадратическая ошибка оказывается равной 3,674457.Это представляет собой среднюю разницу между прогнозом, сделанным для средней стоимости дома, и фактически наблюдаемой стоимостью дома в тестовом наборе.
Если мы захотим, мы можем сравнить эту среднеквадратичную ошибку с другими моделями, такими как множественная линейная регрессия , гребневая регрессия, регрессия основных компонентов и т. д., чтобы увидеть, какая модель дает наиболее точные прогнозы.
Полный код R, использованный в этом примере, вы можете найти здесь .