在 R 中使用 Xgboost 进行训练和预测

Question

在使用 xgboost 包和 r 中的函数 xgb.cv 时，我有一个与模型的交叉验证、调整、训练和预测有关的问题。

特别是，我重用并改编了来自互联网的代码，以便在分类问题中使用xgb.cv 在参数空间（调整）中搜索最佳参数。

在这里您可以找到用于执行此任务的代码：

# *****************************
# *******  TUNING  ************
# *****************************
start_time <- Sys.time()

best_param <- list()
best_seednumber <- 1234
best_acc <- 0
best_acc_index <- 0

set.seed(1234)
# In reality, might need 100 or 200 iters
for (iter in 1:200) {
  param <- list(objective = "binary:logistic",
                eval_metric = c("error"),      # rmse is used for regression
                max_depth = sample(6:10, 1),
                eta = runif(1, .01, .1),   # Learning rate, default: 0.3
                subsample = runif(1, .6, .9),
                colsample_bytree = runif(1, .5, .8), 
                min_child_weight = sample(5:10, 1), # These two are important
                max_delta_step = sample(5:10, 1) # Can help to focus error
                # into a small range.
  )
  cv.nround <-  1000
  cv.nfold <-  10 # 10-fold cross-validation
  seed.number  <-  sample.int(10000, 1) # set seed for the cv
  set.seed(seed.number)
  mdcv <- xgb.cv(data = dtrain, params = param,  
                 nfold = cv.nfold, nrounds = cv.nround,
                 verbose = F, early_stopping_rounds = 20, maximize = FALSE,
                 stratified = T)

  max_acc_index  <-  mdcv$best_iteration
  max_acc <- 1 - mdcv$evaluation_log[mdcv$best_iteration]$test_error_mean
  print(i)
  print(max_acc)
  print(mdcv$evaluation_log[mdcv$best_iteration])

  if (max_acc > best_acc) {
    best_acc <- max_acc
    best_acc_index <- max_acc_index
    best_seednumber <- seed.number
    best_param <- param
  }
}

end_time <- Sys.time()

print(end_time - start_time)    # Duration -> 1.54796 hours

大约 1.5 小时后，这段代码返回了交叉验证设置中性能最好的参数。我还能够重现循环中获得的精度和最佳参数。

# Reproduce what found in loop
set.seed(best_seednumber)
best_model_cv <- xgb.cv(data=dtrain, params=best_param, nfold=cv.nfold, nrounds=cv.nround,
                     verbose = T, early_stopping_rounds = 20, maximize = F, stratified = T,
                     prediction=TRUE)
print(best_model_cv)
best_model_cv$params

现在我想使用这个“最佳参数”来使用xgboost 或xgb.train 训练我的完整训练集，并在测试数据集上生成prediction。

best_model <- xgboost(params = best_param, data=dtrain,
                      seed=best_seednumber, nrounds=10)

此时，我不确定这段训练代码是否正确，以及我应该在xgboost 中使用哪些参数。问题是，当我运行此训练并且在测试数据集中做出预测时，我的分类器基本上将几乎所有新实例分类到一个类中（这是不可能的，因为我还使用了其他模型，原则上给出了准确的分类率）。

所以，总而言之，我的问题是：

1. 如何在包xgboost的训练函数中使用交叉验证阶段得到的训练参数？

2. 由于我是这个领域的新手，您能否确认我应该预处理我的测试数据集，因为我已经预处理了我的训练数据集（转换、特征工程等）？

我知道我的代码不可复现，但我对函数的使用更感兴趣，所以我想在这个阶段这并不重要。

谢谢。

Answer 1

最后，是我的测试数据集定义中的错误导致了问题。我定义训练模型参数的方式没有错。