机器学习xgboost实战—手写数字识别
2016-01-11 12:13
731 查看
1、xgboost 安装
安装问题这里就不再做赘述,可参考前面写的博文:/article/8956138.html
2、手写数字识别
这里先说明下,xgboost用作手写字符的分类效果并不是最好的,这里仅仅作为一个教学的实例。本文中用的数据集来自kaggle 的新手入门数字识别(https://www.kaggle.com/c/digit-recognizer),我用 xgboost 实现的准确率只有95%+(并未调参 ,可能并未得到最佳的效果)。用深度学习 CNN 来做,可以达到99%+。在数据建模中,当我们有数个连续值特征时,Boosting分类器是最常用的非线性分类器。它将成百上千个分类准确率较低的树模型组合起来,成为一个准确率很高的模型。这个模型会不断地迭代,每次迭代就生成一颗新的树。然而,在数据集较大较复杂的时候,我们可能需要几千次迭代运算,这将造成巨大的计算瓶颈。xgboost正是为了解决这个瓶颈而提出。单机它采用多线程来加速树的构建,
因此,写这篇博文知识为了让初次使用xgboost的朋友能够更快的上手。
2.1数据获取
数据集放在这里了,下载对应的手写数字的 train.csv与test.csv。以后相关数据集都放到这里,持续更新:
http://blog.csdn.net/Eddy_zheng/article/details/50496194
2.2 代码实现
基于python实现的,代码阅读可能需要一点python的功底,不过关于xgboost的参数我都尽力做了解释,都是自己学习的见解,有不准确的地方大家可以指出,共同学习。当然要更深刻的理解参数,可以看看xgboost的理论推导,了解每个参数是怎么来的?用来做什么都的?
官方地址(http://xgboost.readthedocs.org/en/latest/parameter.html)
#coding=utf-8 """ Created on 2015/12/25 By Eddy_zheng """ import xgboost as xgb import pandas as pd import time import numpy as np now = time.time() dataset = pd.read_csv("../input/train.csv") # 注意自己数据路径 train = dataset.iloc[:,1:].values labels = dataset.iloc[:,:1].values tests = pd.read_csv("../input/test.csv") # 注意自己数据路径 #test_id = range(len(tests)) test = tests.iloc[:,:].values params={ 'booster':'gbtree', # 这里手写数字是0-9,是一个多类的问题,因此采用了multisoft多分类器, 'objective': 'multi:softmax', 'num_class':10, # 类数,与 multisoftmax 并用 'gamma':0.05, # 在树的叶子节点下一个分区的最小损失,越大算法模型越保守 。[0:] 'max_depth':12, # 构建树的深度 [1:] #'lambda':450, # L2 正则项权重 'subsample':0.4, # 采样训练数据,设置为0.5,随机选择一般的数据实例 (0:1] 'colsample_bytree':0.7, # 构建树树时的采样比率 (0:1] #'min_child_weight':12, # 节点的最少特征数 'silent':1 , 'eta': 0.005, # 如同学习率 'seed':710, 'nthread':4,# cpu 线程数,根据自己U的个数适当调整 } plst = list(params.items()) #Using 10000 rows for early stopping. offset = 35000 # 训练集中数据50000,划分35000用作训练,15000用作验证 num_rounds = 500 # 迭代你次数 xgtest = xgb.DMatrix(test) # 划分训练集与验证集 xgtrain = xgb.DMatrix(train[:offset,:], label=labels[:offset]) xgval = xgb.DMatrix(train[offset:,:], label=labels[offset:]) # return 训练和验证的错误率 watchlist = [(xgtrain, 'train'),(xgval, 'val')] # training model # early_stopping_rounds 当设置的迭代次数较大时,early_stopping_rounds 可在一定的迭代次数内准确率没有提升就停止训练 model = xgb.train(plst, xgtrain, num_rounds, watchlist,early_stopping_rounds=100) #model.save_model('./model/xgb.model') # 用于存储训练出的模型 preds = model.predict(xgtest,ntree_limit=model.best_iteration) # 将预测结果写入文件,方式有很多,自己顺手能实现即可 np.savetxt('submission_xgb_MultiSoftmax.csv',np.c_[range(1,len(test)+1),preds], delimiter=',',header='ImageId,Label',comments='',fmt='%d') cost_time = time.time()-now print "end ......",'\n',"cost time:",cost_time,"(s)......"
2.3 测试训练模型
训练图示:
结果提交 kaggle 验证:
2.4总结
简单应用于手写字符分类识别,希望通过这个简单的应用,能够学习调试模型,达到举一反三的效果。
相关文章推荐
- 字符串数组转化成十六进制字符串
- JS 判断上传 文件 大小
- swift 之SnapKit 动画
- poj 3295
- In C++, what’s the difference between an inline function and a macro?
- eclipse 使用Maven deploy命令打包源码到私服nexus
- nsset
- 【蓝桥杯】【锦标赛】
- Cocos2dx 3.0 过渡篇(三十)灰机还是3D好(Sprite3D)
- Sublime Text 2/3安装CTags实现函数跳转
- 模糊查询
- 根据字符串中的具体信息来找到其具体位置和长度
- asp.net与Matlab类型转换(待补全)
- 字符串数组转化成十六进制字符串
- 数组倒序输出
- xcode6中添加pch文件
- xjc-beyond sliding windows-Object Localization by Efficient Subwindow Search
- eclipse-断点调试-设置断点选中行的背景颜色
- C#学习论坛——认识志同道合的朋友
- Chapter9-2.Interrupts 《ARM system developer's guide》