CatBoost机器学习模型的介绍与实例

科技 09-14 来源：不靠谱的猫

CatBoost是Yandex开发的梯度提升机器学习算法。

梯度提升是一种迭代算法，通常基于决策树。首先，建立一个基础模型，该模型具有较高的误差。考虑到该模型的误差，再建立另一个模型，通过这种方式，经过数千次迭代后，误差被最小化。

梯度提升

我们知道，梯度提升技术通常比神经网络在异构数据集上提供更好的结果。异构数据是分类、数字和文本特征的混合。神经网络通常更擅长同质数据。梯度提升在数据具有异构属性的生产和比赛中大量使用。这就是为什么在Kaggle比赛中经常使用XGBoost的原因。

CatBoost算法试图从给定的数据中获得最大的信息。因此，它可以很好地处理小型机器学习数据集。

与其提升模型相比，我们可以说 CatBoost 的表现相当出色。默认超参数取决于机器学习数据集。

算法的 LogLoss 比较

与其提升算法不同，CatBoost使用对称全二叉树。这样一来，树是更简单的结构，我们也就避免了过度拟合的危险。此外，由于我们的基础模型结构简单，我们有更快的预测器。

对称树

有序目标编码

CatBoost 的标志之一是它处理分类特征的方法（CatBoost 是 Categorical Boosting）。如果分类特征在您的数据集中占主导地位，CatBoost 是我们应该首先尝试的算法之一。

通常情况下，one hot方法被应用于分类特征。通过这样的编码方法，我们可以从单个特征中得到多个特征

one hot编码

CatBoost的优点是它可以处理开箱即用的数据。目标编码过程中可能发生数据泄漏。也就是说，目标特征信息不应该泄漏到模型中。为了防止这种情况，CatBoost使用了一种智能方法，它进行某种基于目标但有序的编码。

例如，假设我们有一个分类特征和目标特征，如下例所示:

示例数据

首先，打乱和重新排列数据的顺序。让我们假设上面的顺序是重新排列的。

Prior 是传递给算法的参数，通常为 0.5。current count是训练数据集中具有当前类别组的所在行之前的目标总数。记住，它是基于目标的，所以我们应该寻找具有相同目标值的行。例如，我们对第五行进行编码：

如果第三行的目标值为0，则

正如你所注意到的，我们会对数据集中已经重新排序的每个Germany有不同的数值。

最小方差采样

编码后，CatBoost使用一种称为MVS的采样方法，即最小方差采样。这意味着加权采样应用于树的层次。它会将概率分配给它必须选择的观测值，以便最大限度地提高准确性。

Python演示

按照库的命令；

pip install catboost

使用库中的Amazon机器学习数据集：

import os
import pandas as pd
import numpy as np
np.set_printoptions(precision=4)
import catboost
print(catboost.__version__)

#dataset

from catboost.datasets import amazon
(train_df, test_df) = amazon()

进行数据预处理，Python代码如下；

y = train_df.ACTION
X = train_df.drop('ACTION', axis=1)

#all the features are categorical
cat_features = list(range(0, X.shape[1]))
print(cat_features)

#unbalanced labels
print('Labels: {}'.format(set(y)))
print('Zero count = {}, One count = {}'.format(len(y) - sum(y), sum(y)))

与其他模型不同，我们将分类特征索引作为参数传递给训练对象。

#training
from catboost import CatBoostClassifier
model = CatBoostClassifier(iterations=100)
model.fit(X, y, cat_features=cat_features, verbose=10)

我们来进行预测，注意第一列是0的概率，第二列是1的概率。

model.predict_proba(X)
#输出: array([[0.0098, 0.9902],
       [0.0101, 0.9899],
       [0.0579, 0.9421],
       ...,
       [0.0118, 0.9882],
       [0.1891, 0.8109],
       [0.0235, 0.9765]])

我们已经用 CatBoost 训练了一个机器学习模型。下一步，让我们进一步完善我们的模型。在这里，我们的机器学习数据集是不平衡的。在创建具有不平衡数据集的模型时，使用权重通常是首选的方法。创建一个具有权重的列，给出了稀有类的大权重和频繁类的小权重。这里，我们使用pool类。

from catboost import Pool
pool = Pool(data=X, label=y, cat_features=cat_features)

from sklearn.model_selection import train_test_split

data = train_test_split(X, y, test_size=0.2, random_state=0)
X_train, X_validation, y_train, y_validation = data

train_pool = Pool(
    data=X_train, 
    label=y_train, 
    cat_features=cat_features
)

validation_pool = Pool(
    data=X_validation, 
    label=y_validation, 
    cat_features=cat_features
)

如果我们的标签中有概率，我们可以使用交叉熵，如果我们的标签中有 0 和 1，我们可以使用对数损失（logloss）作为我们的损失函数。如果不指定，模型会自动选择对数损失函数，遇到多类问题，模型会自动选择多类函数。

model = CatBoostClassifier(
    iterations=5,
    learning_rate=0.1,
    # loss_function='CrossEntropy'
)
model.fit(train_pool, eval_set=validation_pool, verbose=False)

print('Model is fitted: {}'.format(model.is_fitted()))
print('Model params:
{}'.format(model.get_params()))

#输出内容
Model is fitted: True
Model params:
{'iterations': 5, 'learning_rate': 0.1}

#其他设置
model = CatBoostClassifier(
    iterations=15,
#     verbose=5,
)
model.fit(train_pool, eval_set=validation_pool);

model = CatBoostClassifier(
    iterations=50,
    learning_rate=0.5,
    custom_loss=['AUC', 'Accuracy']
)

model.fit(
    train_pool,
    eval_set=validation_pool,
    verbose=False,
    plot=True
);

model_with_early_stop = CatBoostClassifier(
    iterations=200,
    learning_rate=0.5,
    early_stopping_rounds=20
)

model_with_early_stop.fit(
    train_pool,
    eval_set=validation_pool,
    verbose=False,
    plot=True
);

进行交叉验证：

from catboost import cv

params = {
    'loss_function': 'Logloss',
    'iterations': 80,
    'custom_loss': 'AUC',
    'learning_rate': 0.5,
}

cv_data = cv(
    params = params,
    pool = train_pool,
    fold_count=5,
    shuffle=True,
    partition_random_seed=0,
    plot=True,
    verbose=False
)

cv_data.head(10)

基于网格搜索的参数优化：

from sklearn.model_selection import GridSearchCV

param_grid = {
    "iterations": [10,100],
    "learning_rate": [0.01,0.1],
    "depth": [4,7],
    "early_stopping_rounds" : [5,10],
    "depth" : [4,8],
    "l2_leaf_reg": [2,4]
}

clf = CatBoostClassifier(
    cat_features=cat_features, 
    verbose=20
)
grid_search = GridSearchCV(clf, param_grid=param_grid, cv=3)
results = grid_search.fit(X_train, y_train)
results.best_estimator_.get_params()

#输出内容:
{'iterations': 100,
 'learning_rate': 0.1,
 'depth': 8,
 'l2_leaf_reg': 2,
 'verbose': 20,
 'early_stopping_rounds': 5,
 'cat_features': [0, 1, 2, 3, 4, 5, 6, 7, 8]}

early_stopping_rounds：使用此参数，如果在指定的迭代次数（例如连续 50 次迭代）后没有看到改进，我们会提前终止训练。