XGBoost 和稀疏矩阵

Question

我正在尝试使用 xgboost 来运行 - 使用 python - 分类问题，其中数据位于 numpy 矩阵 X 中（行 = 观察值 & 列 = 特征），标签位于 numpy 数组 y 中。 因为我的数据很稀疏，所以我想让它使用 X 的稀疏版本运行，但似乎在发生错误时我丢失了一些东西。

这就是我所做的：

# Library import

import numpy as np
import xgboost as xgb
from xgboost.sklearn import XGBClassifier
from scipy.sparse import csr_matrix

# Converting to sparse data and running xgboost

X_csr = csr_matrix(X)
xgb1 = XGBClassifier()
xgtrain = xgb.DMatrix(X_csr, label = y )      #to work with the xgb format
xgtest = xgb.DMatrix(Xtest_csr)
xgb1.fit(xgtrain, y, eval_metric='auc')
dtrain_predictions = xgb1.predict(xgtest)   

等等...

现在我在尝试拟合分类器时遇到错误：

File ".../xgboost/python-package/xgboost/sklearn.py", line 432, in fit
self._features_count = X.shape[1]

AttributeError: 'DMatrix' object has no attribute 'shape'

现在，我寻找了一段时间它可能来自哪里，并相信它与我希望使用的稀疏格式有关。但它是什么，以及如何解决它，我不知道。

我欢迎任何帮助或意见！ 非常感谢你

Answer 1

您正在使用 xgboost scikit-learn API (http://xgboost.readthedocs.io/en/latest/python/python_api.html#module-xgboost.sklearn)，因此您不需要转换数据到 DMatrix 以适合 XGBClassifier()。只要把线去掉就好了

xgtrain = xgb.DMatrix(X_csr, label = y )

应该有效：

type(X_csr) #scipy.sparse.csr.csr_matrix
type(y) #numpy.ndarray
xgb1 = xgb.XGBClassifier()
xgb1.fit(X_csr, y)

输出：

XGBClassifier(base_score=0.5, colsample_bylevel=1, colsample_bytree=1,
   gamma=0, learning_rate=0.1, max_delta_step=0, max_depth=3,
   min_child_weight=1, missing=None, n_estimators=100, nthread=-1,
   objective='binary:logistic', reg_alpha=0, reg_lambda=1,
   scale_pos_weight=1, seed=0, silent=True, subsample=1)

Answer 2

• 出现该问题的原因是 DMatrix..num_col() 仅返回稀疏矩阵中非零列的数量。
• 使用 scipy.sparse.coo_matrix.tocsc 将此矩阵转换为压缩稀疏列格式。
• 可以参考http://github.com/dmlc/xgboost/issues/1238#issuecomment-243872543

Answer 3

我更喜欢使用 XGBoost 训练包装器，而不是 XGBoost sklearn 包装器。您可以按如下方式创建分类器：

params = {
    # I'm assuming you are doing binary classification
    'objective':'binary:logistic'
    # any other training params here
    # full parameter list here https://github.com/dmlc/xgboost/blob/master/doc/parameter.md
}
booster = xgb.train(params, xgtrain, metrics=['auc'])

此 API 还具有内置交叉验证

xgb.cv

，与 XGBoost 配合使用效果更好。

https://xgboost.readthedocs.io/en/stable/python/python_api.html#xgboost.cv https://xgboost.readthedocs.io/en/stable/python/examples/cross_validation.html

这里有更多示例https://github.com/dmlc/xgboost/tree/master/demo/guide-python

希望这有帮助。

Answer 4

X_csr = csr_matrix(X)

具有许多与

X

相同的属性，包括

.shape

。 但它不是一个子类，也不是替代品。 代码需要具有“稀疏意识”。

sklearn

符合资格；事实上，它添加了许多自己的快速稀疏实用函数。

但我不知道

xgb

处理稀疏矩阵的效果如何，也不知道它如何与

sklearn

一起使用。

假设问题出在

xgtrain

，您需要查看它的类型和属性。 和用

xgb.DMatrix(X, label = y )

做的相比怎么样？

如果您需要尚未成为

xgboost

用户的帮助，您必须提供有关代码中对象的更多信息。