Всем привет! Данная статья написана по итогам обучения на курсе Otus ML Basic и в ней я проведу сравнение алгоритмов градиентного бустинга. Почему бустинг, спросите вы ? Понятно, что нейронные сети интереснее, но не всегда их применение целесообразно и есть задачи для которых классические методы машинного обучения являются лучшим выбором. Бустинг является одним из наиболее эффективных классических алгоритмов и поскольку существуют различные его реализации, то мы проведем сравнение, чтобы понять, кто из них демонстрирует лучшие результаты. Познакомимся с участниками турнира, чьи реализации алгоритма градиентного бустинга будут участвовать в сравнении:
-
Sklearn;
-
XGBoost;
-
LightGBM;
-
Catboost;
Напомню, что бустинг реализует идею построения «сильной» модели на основе композиции базовых алгоритмов (как правило, деревьев решений), точность предсказания которых может быть лишь немногим выше случайного угадывания. Общий подход к реализации выглядит следующим образом:
-
строим алгоритмы последовательно;
-
каждый следующий строится на ошибках предыдущего;
-
решение принимается методом взвешенного голосования;
Проводить сравнение алгоритмов бустинга мы будем на наборе данных для классификации, а именно, предсказания оттока клиентов телеком оператора. Полную версию jupyter ноутбука все желающие могут найти здесь.
Подключаем необходимые библиотеки
import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, roc_auc_score from sklearn.preprocessing import LabelEncoder, StandardScaler from sklearn.ensemble import GradientBoostingClassifier from xgboost import XGBClassifier from lightgbm import LGBMClassifier from catboost import CatBoostClassifier from sklearn.model_selection import GridSearchCV import warnings warnings.filterwarnings("ignore")
Загрузим датасет и посмотрим на основные параметры
df = pd.read_csv('data/WA_Fn-UseC_-Telco-Customer-Churn.csv', index_col=0) df.info()
Index: 7043 entries, 7590-VHVEG to 3186-AJIEK Data columns (total 20 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 gender 7043 non-null object 1 SeniorCitizen 7043 non-null int64 2 Partner 7043 non-null object 3 Dependents 7043 non-null object 4 tenure 7043 non-null int64 5 PhoneService 7043 non-null object 6 MultipleLines 7043 non-null object 7 InternetService 7043 non-null object 8 OnlineSecurity 7043 non-null object 9 OnlineBackup 7043 non-null object 10 DeviceProtection 7043 non-null object 11 TechSupport 7043 non-null object 12 StreamingTV 7043 non-null object 13 StreamingMovies 7043 non-null object 14 Contract 7043 non-null object 15 PaperlessBilling 7043 non-null object 16 PaymentMethod 7043 non-null object 17 MonthlyCharges 7043 non-null float64 18 TotalCharges 7043 non-null object 19 Churn 7043 non-null object dtypes: float64(1), int64(2), object(17) memory usage: 1.1+ MB
В наборе данных всего лишь 3 признака из 20 имеют числовой тип, поэтому, первое что необходимо сделать, это преобразовать категориальные признаки в числовые, а также провести другую предобработку данных, при необходимости.
Предварительная обработка данных
Проведем предварительную обработку набора данных и для начала проверим, есть ли в данных пропущенные значения
df.isna().sum()
gender 0 SeniorCitizen 0 Partner 0 Dependents 0 tenure 0 PhoneService 0 MultipleLines 0 InternetService 0 OnlineSecurity 0 OnlineBackup 0 DeviceProtection 0 TechSupport 0 StreamingTV 0 StreamingMovies 0 Contract 0 PaperlessBilling 0 PaymentMethod 0 MonthlyCharges 0 TotalCharges 0 Churn 0 dtype: int64
Пропусков в данных нет и это хорошо, но есть 17 категориальных признаков, которые необходимо привести к числовому виду:
Index(['gender', 'Partner', 'Dependents', 'PhoneService', 'MultipleLines', 'InternetService', 'OnlineSecurity', 'OnlineBackup', 'DeviceProtection', 'TechSupport', 'StreamingTV', 'StreamingMovies', 'Contract', 'PaperlessBilling', 'PaymentMethod', 'TotalCharges', 'Churn'], dtype='object')
Посмотрим на количество уникальных значений для каждого из атрибутов
df.nunique()
gender 2 SeniorCitizen 2 Partner 2 Dependents 2 tenure 73 PhoneService 2 MultipleLines 3 InternetService 3 OnlineSecurity 3 OnlineBackup 3 DeviceProtection 3 TechSupport 3 StreamingTV 3 StreamingMovies 3 Contract 3 PaperlessBilling 2 PaymentMethod 4 MonthlyCharges 1585 TotalCharges 6531 Churn 2 dtype: int64
Начнем с замены бинарных категориальных признаков значениями 1/0
Код преобразования бинарных признаков
bin_cat_cols_list = [] for index, value in df.nunique().items(): if value == 2: bin_cat_cols_list.append(index) print(f"Index : {index}, Value : {value}")
Index : gender, Value : 2 Index : SeniorCitizen, Value : 2 Index : Partner, Value : 2 Index : Dependents, Value : 2 Index : PhoneService, Value : 2 Index : PaperlessBilling, Value : 2 Index : Churn, Value : 2
for col in bin_cat_cols_list: print(col, df[col].unique())
gender ['Female' 'Male'] SeniorCitizen [0 1] Partner ['Yes' 'No'] Dependents ['No' 'Yes'] PhoneService ['No' 'Yes'] PaperlessBilling ['Yes' 'No'] Churn ['No' 'Yes']
атрибут SeniorCitizen уже имеет значения 0/1, поэтому исключим его из дальнейшей обработки
bin_cat_cols_list.remove('SeniorCitizen') for col in bin_cat_cols_list: print(col, df[col].unique())
gender ['Female' 'Male'] Partner ['Yes' 'No'] Dependents ['No' 'Yes'] PhoneService ['No' 'Yes'] PaperlessBilling ['Yes' 'No'] Churn ['No' 'Yes']
Итого, у нас 6 бинарных категориальных признаков — заменим их значениями 0/1
g_dict = {'Female':0, 'Male':1} df['gender'] = df['gender'].map(g_dict)
yn_dict = {'Yes':1, 'No':0} for col in bin_cat_cols_list[1:]: df[col] = df[col].map(yn_dict)
Посмотрим, что у нас получилось по итогам преобразования бинарных атрибутов
df.info()
Index: 7043 entries, 7590-VHVEG to 3186-AJIEK Data columns (total 20 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 gender 7043 non-null int64 1 SeniorCitizen 7043 non-null int64 2 Partner 7043 non-null int64 3 Dependents 7043 non-null int64 4 tenure 7043 non-null int64 5 PhoneService 7043 non-null int64 6 MultipleLines 7043 non-null object 7 InternetService 7043 non-null object 8 OnlineSecurity 7043 non-null object 9 OnlineBackup 7043 non-null object 10 DeviceProtection 7043 non-null object 11 TechSupport 7043 non-null object 12 StreamingTV 7043 non-null object 13 StreamingMovies 7043 non-null object 14 Contract 7043 non-null object 15 PaperlessBilling 7043 non-null int64 16 PaymentMethod 7043 non-null object 17 MonthlyCharges 7043 non-null float64 18 TotalCharges 7043 non-null object 19 Churn 7043 non-null int64 dtypes: float64(1), int64(8), object(11) memory usage: 1.1+ MB
Поработаем с оставшимися 11 категориальными признаками и начнем с приведения TotalCharges к типу float
df['TotalCharges'] = pd.to_numeric(df['TotalCharges'], errors='coerce') df.isna().sum()
gender 0 SeniorCitizen 0 Partner 0 Dependents 0 tenure 0 PhoneService 0 MultipleLines 0 InternetService 0 OnlineSecurity 0 OnlineBackup 0 DeviceProtection 0 TechSupport 0 StreamingTV 0 StreamingMovies 0 Contract 0 PaperlessBilling 0 PaymentMethod 0 MonthlyCharges 0 TotalCharges 11 Churn 0 dtype: int64
Видим, что есть 11 пропущенных значений в Total Charges, записей немного, поэтому, просто удалим их из набора данных
df.dropna(inplace = True)
Оставшиеся категориальные признаки преобразуем с использованием LabelEncoder пакета sklearn
Код преобразования признаков
obj_cols = df.select_dtypes(include='object').columns for col in obj_cols: print(col, df[col].unique())
MultipleLines ['No phone service' 'No' 'Yes'] InternetService ['DSL' 'Fiber optic' 'No'] OnlineSecurity ['No' 'Yes' 'No internet service'] OnlineBackup ['Yes' 'No' 'No internet service'] DeviceProtection ['No' 'Yes' 'No internet service'] TechSupport ['No' 'Yes' 'No internet service'] StreamingTV ['No' 'Yes' 'No internet service'] StreamingMovies ['No' 'Yes' 'No internet service'] Contract ['Month-to-month' 'One year' 'Two year'] PaymentMethod ['Electronic check' 'Mailed check' 'Bank transfer (automatic)' 'Credit card (automatic)']
label_encoder = LabelEncoder() for col in obj_cols: df[col] = label_encoder.fit_transform(df[col]) for col in obj_cols: print(col, df[col].unique())
MultipleLines [1 0 2] InternetService [0 1 2] OnlineSecurity [0 2 1] OnlineBackup [2 0 1] DeviceProtection [0 2 1] TechSupport [0 2 1] StreamingTV [0 2 1] StreamingMovies [0 2 1] Contract [0 1 2] PaymentMethod [2 3 0 1]
Проверим, что у нас получилось после всех преобразований:
df.info()
Index: 7032 entries, 7590-VHVEG to 3186-AJIEK Data columns (total 20 columns): # Column Non-Null Count Dtype --- ------ -------------- ----- 0 gender 7032 non-null int64 1 SeniorCitizen 7032 non-null int64 2 Partner 7032 non-null int64 3 Dependents 7032 non-null int64 4 tenure 7032 non-null int64 5 PhoneService 7032 non-null int64 6 MultipleLines 7032 non-null int64 7 InternetService 7032 non-null int64 8 OnlineSecurity 7032 non-null int64 9 OnlineBackup 7032 non-null int64 10 DeviceProtection 7032 non-null int64 11 TechSupport 7032 non-null int64 12 StreamingTV 7032 non-null int64 13 StreamingMovies 7032 non-null int64 14 Contract 7032 non-null int64 15 PaperlessBilling 7032 non-null int64 16 PaymentMethod 7032 non-null int64 17 MonthlyCharges 7032 non-null float64 18 TotalCharges 7032 non-null float64 19 Churn 7032 non-null int64 dtypes: float64(2), int64(18) memory usage: 1.4+ MB
Видим, что все признаки теперь числовые и наш датасет готов к дальнейшей работе. Но прежде чем погрузиться в создание моделей градиентного бустинга, проведем разведочный анализ данных, aka Exploratory Data Analysis, он же EDA
EDA
Посмотрим на корреляцию в данных
fig, ax = plt.subplots(figsize=(12, 6)) sns.heatmap(df.corr(), annot=True, linewidths=.5, fmt= '.1f',ax=ax);
Визуализируем парные зависимости выбранных признаков
sns.pairplot(data=df[['tenure','Contract','MonthlyCharges','TotalCharges','Churn']], hue='Churn') plt.show;
Зависимость есть, но нелинейная, поэтому не будем удалять атрибуты из набора данных.
Корреляция целевой переменной с другими признаками
Посмотрим на корреляцию оттока (Churn) с другими признаками
plt.figure(figsize=(8,6)) df.corr()['Churn'].sort_values(ascending = False).plot(kind='bar')
Числовые признаки и целевая переменная
Посмотрим на распределение некоторых числовых признаков в разрезе целевой переменной
Код построения диаграмм
fig = plt.subplots(nrows = 1,ncols = 3,figsize = (20,7)) plt.subplot(1,3,1) ax = sns.kdeplot(df.MonthlyCharges[(df["Churn"] == 0)], color='#008080', fill= True, alpha=.7, linewidth=0) ax = sns.kdeplot(df.MonthlyCharges[(df["Churn"] == 1)], color='#FF6347', fill= True, alpha=.7, linewidth=0) ax.legend(["Not Churn","Churn"],loc='upper right') ax.set_ylabel('Density') ax.set_xlabel('Monthly Charges') ax.set_title('Distribution of Monthly Charges by Churn') plt.subplot(1,3,2) ax = sns.kdeplot(df.TotalCharges[(df["Churn"] == 0)], color='#008080', fill= True, alpha=.7, linewidth=0) ax = sns.kdeplot(df.TotalCharges[(df["Churn"] == 1)], color='#FF6347', fill= True, alpha=.7, linewidth=0) ax.legend(["Not Churn","Churn"],loc='upper right') ax.set_ylabel('Density') ax.set_xlabel('Total Charges') ax.set_title('Distribution of Total Charges by Churn') plt.subplot(1,3,3) ax = sns.kdeplot(df.tenure[(df["Churn"] == 0)], color='#008080', fill= True, alpha=.7, linewidth=0) ax = sns.kdeplot(df.tenure[(df["Churn"] == 1)], color='#FF6347', fill= True, alpha=.7, linewidth=0) ax.legend(["Not Churn","Churn"],loc='upper right') ax.set_ylabel('Density') ax.set_xlabel('Tenure') ax.set_title('Distribution of Tenure by Churn') plt.show();
Полученные диаграммы позволяют сделать несколько выводов:
-
Диаграмма распределения ежемесячных платежей (Monthly Charges) показывает, что к оттоку склонны клиенты с большими суммами платежей, возможно, неожиданные счета за роуминг влияют на лояльность клиентов;
-
Среди клиентов с большой общей суммой счетов (Total Charges) выше доля лояльных клиентов;
-
Распределение по времени контракта (Tenure) демонстрирует лучшее разделение по целевой переменной — лояльные клиенты имеют давние контракты, в то время как новые клиенты наиболее склонны к оттоку;
И также посмотрим на распределение целевой переменной:
Код построения диаграмм
palette = ['#008080','#FF6347', '#E50000', '#D2691E'] l1 = list(df['Churn'].value_counts()) pie_values = [l1[0] / sum(l1) * 100, l1[1] / sum(l1) * 100] fig = plt.subplots(nrows = 1,ncols = 2,figsize = (20,7)) plt.subplot(1,2,1) plt.pie(pie_values,labels = ['Not-Churn Customers','Churn Customers'], autopct = '%1.2f%%', explode = (0.1,0), colors = palette, wedgeprops = {'edgecolor': 'black','linewidth': 1, 'antialiased' : True}) plt.title('Churn and Not-Churn Customers %'); plt.subplot(1,2,2) ax = sns.countplot(data = df, x='Churn', palette = palette, edgecolor = 'black') for i in ax.containers: ax.bar_label(i,) ax.set_xticklabels(['Not-Churn Customers','Churn Customers']) plt.title('Churn and Not-Churn Customers') plt.show()
Доля склонных к оттоку клиентов более четверти абонентской базы — угрожающее значение для бизнеса любого оператора связи, надеюсь, данной компании удалось как-то с этим справиться… Ну а мы переходим к заключительной части предварительной обработки данных.
Разделение и масштабирование
Разделение набора данных на обучающую и тестовую выборки
Как обычно, перед обучением модели, нам необходимо разделить датасет на обучающую (train) и тестовую (test) выборки. Используем для этого функцию train_test_split пакета sklearn и не забудем про параметр stratify, учитывая несбалансированность набора данных:
X = df.drop('Churn', axis=1) y = df['Churn'] X_train, X_test, y_train, y_test = train_test_split(X, y, stratify=y, test_size = 0.3, random_state = 13)
Масштабирование признаков
Масштабирование числовых признаков набора данных является общим требованием для многих моделей машинного обучения и мы воспользуемся функцией StandardScaler модуля preprocessing пакета sklearn. StandardScaler центрирует значения признаков относительно нуля, вычитая среднее значение каждого признака, а затем масштабирует их, деля на стандартное отклонение:
где это среднее значение для признака из обучающего набора, — стандартное отклонение
numeric_columns = ['tenure', 'MonthlyCharges', 'TotalCharges'] std_scaler = StandardScaler() X_train[numeric_columns] = std_scaler.fit_transform(X_train[numeric_columns]) X_test[numeric_columns]= std_scaler.transform(X_test[numeric_columns])
Теперь мы готовы строить наши модели.
Sklearn
Открывать турнир будет реализация градиентного бустинга от sklearn и для удобства определим функцию, возвращающую значения метрик, по которым мы будем оценивать и сравнивать модели. Поскольку у нас задача бинарной классификации, то будем использовать соответствующие метрики, в частности — accuracy, precision, recall, f1-score и ROC-AUC. Сравнивать, так уж сравнивать )
def quality(true_y, prediction_y): """ Evaluates and returns the following metrics: Accuracy, Precision, Recall, F1-score, AUC """ accuracy = round(accuracy_score(true_y, prediction_y), 3) precision = round(precision_score(true_y, prediction_y), 3) recall = round(recall_score(true_y, prediction_y), 3) f1 = round(f1_score(true_y, prediction_y), 3) auc = round(roc_auc_score(true_y, prediction_y), 3) print(f" Accuracy: {accuracy}") print(f"Precision: {precision}") print(f" Recall: {recall}") print(f" F1-score: {f1}") print(f" AUC: {auc}") return [accuracy, precision, recall, f1, auc]
Измеренные значения метрик будем складывать в словарь
results = {}
В качестве точки отсчета запустим классификатор без настройки, со значениями гиперпараметров по умолчанию
Код запуска классификатора sklearn
# first run with default parameters sgb_clf = GradientBoostingClassifier(random_state=13) sgb_clf.fit(X_train, y_train) y_pred = sgb_clf.predict(X_test) results['Sklearn'] = quality(y_test, y_pred)
Accuracy: 0.807 Precision: 0.678 Recall: 0.522 F1-score: 0.59 AUC: 0.716
Посмотрим на первые полученные результаты
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Теперь у нас есть baseline и пора улучшить результаты.
Sklearn: кривая валидации для количества деревьев
Первый гиперпараметр который мы попробуем настроить это n_estimators или количество выполняемых этапов бустинга — в нашем случае, числа деревьев решений (decision trees), используемых в качестве базового алгоритма. И для начала построим кривую валидации, отображающую зависимость результатов (по метрике ROC-AUC) от количества деревьев решений
Код построения кривой валидации
n_trees = [1, 3, 5, 10, 50, 100, 200, 300, 400, 500] quals_train = [] quals_test = [] for n in n_trees: clf = GradientBoostingClassifier(n_estimators=n, random_state=13) clf.fit(X_train, y_train) q_train = roc_auc_score(y_train, clf.predict(X_train)) q_test = roc_auc_score(y_test, clf.predict(X_test)) quals_train.append(q_train) quals_test.append(q_test) plt.figure(figsize=(8, 5)) plt.plot(n_trees, quals_train, marker='.', label='train') plt.plot(n_trees, quals_test, marker='.', label='test') plt.xlabel('Number of trees') plt.ylabel('AUC-ROC') plt.title('Sklearn GB Validation Curve') plt.legend() plt.show();
Если отсортировать результаты в порядке убывания значения выбранной метрики
sorted(list(zip(quals_test, n_trees)), reverse=True)
[(0.7162731634117349, 100), (0.7099715876725712, 200), (0.7046383786215936, 400), (0.7040699019205077, 300), (0.7035014252194217, 500), (0.7016757404293955, 50), (0.6225124828967916, 10), (0.5, 5), (0.5, 3), (0.5, 1)]
то увидим, что лучшие результаты достигаются на 100 деревьях
Sklearn: кривые валидации для скорости обучения (learning rate)
Посмотрим, как влияет гиперпараметр learning rate на качество алгоритма и склонность к переобучению. Для построения кривых валидации воспользуемся методом staged_predict, позволяющим получать результаты на каждом этапе бустинга, по мере добавления очередного дерева решений:
for learning_rate in [1, 0.5, 0.3, 0.2, 0.1]: gbm = GradientBoostingClassifier(n_estimators=150, learning_rate=learning_rate, random_state=13).fit(X_train, y_train) test_deviance = np.zeros((gbm.n_estimators,), dtype=np.float64) for i, y_pred in enumerate(gbm.staged_predict(X_test)): test_deviance[i] = roc_auc_score(y_test, y_pred) train_deviance = np.zeros((gbm.n_estimators,), dtype=np.float64) for i, y_pred in enumerate(gbm.staged_predict(X_train)): train_deviance[i] = roc_auc_score(y_train, y_pred) plt.figure() plt.plot(test_deviance, 'r', linewidth=2) plt.plot(train_deviance, 'g', linewidth=2) plt.legend(['test', 'train']) plt.title('GBM lr=%.1f, test roc-auc=%.3f, best_est=%d' % (learning_rate, test_deviance.max(), test_deviance.argmax()+1)) plt.xlabel('Number of trees') plt.ylabel('Metric')
Видим, что максимальное значение метрики ROC-AUC достигается при learning rate (lr) равном 0.1 и количестве этапов бустинга (n_estimators) равном 79.
Запустим классификатор sklearn с максимизирующими значение ROC-AUC параметрами lr=0.1, n_estimators=79
Код запуска классификатора sklearn с выбранными параметрами
sgb_clf = GradientBoostingClassifier(n_estimators=79, learning_rate=0.1, random_state=13) sgb_clf.fit(X_train, y_train) y_pred = sgb_clf.predict(X_test) results['Sklearn-VC'] = quality(y_test, y_pred)
Accuracy: 0.809 Precision: 0.684 Recall: 0.528 F1-score: 0.596 AUC: 0.72
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Видим, что после настройки гиперпараметров с использованием кривых валидации результаты несколько улучшились.
Sklearn: настройка гиперпараметров по сетке с кроссвалидацией
Построенные вручную кривые валидации это неплохо для общего понимания направления оптимизации, но в качестве штатного средства в пакете sklearn есть функция GridSearchCV для настройки гиперпараметров по сетке с кроссвалидацией. Посмотрим каких результатов нам удастся достичь с использованием поиска по сетке.
Код настройки гиперпараметров с использованием GridSearchCV
# Define Gradient Boosting classifier with default parameters clf = GradientBoostingClassifier(random_state=13) # Estimate grid of the classifier hyperparameters parameters = {'n_estimators':[10,50,80,150], 'max_depth':[1,2,3,5], 'learning_rate':[1,0.5,0.3,0.2,0.1] } # Define GridSearch parameters gs = GridSearchCV(clf, # Classifier object to optimize parameters, # Grid of the hyperparameters scoring='roc_auc', # Classification quality metric to optimize cv=5 # Number of folds in KFolds cross-validation ) # Run Grid Search optimization gs.fit(X_train, y_train) gs.best_params_
{'learning_rate': 0.2, 'max_depth': 1, 'n_estimators': 150}
pred_gs = gs.predict(X_test) results['Sklearn-GS'] = quality(y_test, pred_gs)
Accuracy: 0.808 Precision: 0.681 Recall: 0.522 F1-score: 0.591 AUC: 0.717
Итоговые результаты алгоритма sklearn:
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
После оптимизации параметров с использованием GridSearch метрика ROC-AUC чуть лучше чем при использовании параметров по умолчанию, но несколько хуже результатов, полученных с подобранными на кривых валидации параметрами.
XGBoost
Переходим к тестированию реализации алгоритма градиентного бустинга пакета xgboost и начнем с параметров по умолчанию.
Код запуска классификатора xgboost с параметрами по умолчанию
xgb_clf = XGBClassifier(random_state=13) xgb_clf.fit(X_train, y_train) y_pred = xgb_clf.predict(X_test) results['XGBoost'] = quality(y_test, y_pred)
Accuracy: 0.786 Precision: 0.621 Recall: 0.503 F1-score: 0.556 AUC: 0.696
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
И у нас есть baseline для xgboost…
XGBoost: кривая валидации для количества деревьев
Построим кривую валидации для настройки параметра n_estimators
Код построения кривой валидации
n_trees = [1, 3, 5, 10, 50, 100, 200, 300, 400, 500] quals_train = [] quals_test = [] for n in n_trees: clf = XGBClassifier(n_estimators=n, random_state=13) clf.fit(X_train, y_train) q_train = roc_auc_score(y_train, clf.predict(X_train)) q_test = roc_auc_score(y_test, clf.predict(X_test)) quals_train.append(q_train) quals_test.append(q_test) plt.figure(figsize=(8, 5)) plt.plot(n_trees, quals_train, marker='.', label='train') plt.plot(n_trees, quals_test, marker='.', label='test') plt.xlabel('Number of trees') plt.ylabel('AUC-ROC') plt.title('XGBoost Validation Curve') plt.legend() plt.show()
Отсортируем в порядке убывания значения выбранной метрики
sorted(list(zip(quals_test, n_trees)), reverse=True)
[(0.7062379385699934, 10), (0.7055296442187416, 50), (0.6958172082730621, 100), (0.6847365156520968, 200), (0.6816628288735529, 300), (0.6809401499903911, 500), (0.6796489944061432, 400), (0.6699756843872593, 5), (0.6428717739810286, 3), (0.5, 1)]
Лучший результат получаем для n_estimators = 10
XGBoost: кривые валидации для скорости обучения
Посмотрим, как влияет параметр learning rate на качество алгоритма и склонность к переобучению
Код построения кривых валидации
for learning_rate in [1, 0.5, 0.3, 0.2, 0.1]: xgb = XGBClassifier(n_estimators=150, learning_rate=learning_rate, random_state=13, verbose=-1).fit(X_train, y_train) test_deviance = np.zeros((xgb.n_estimators,), dtype=np.float64) for i in range(xgb.n_estimators): y_pred_test = xgb.predict(X_test, iteration_range=(0,i)) test_deviance[i] = roc_auc_score(y_test, y_pred_test) train_deviance = np.zeros((xgb.n_estimators,), dtype=np.float64) for i in range(xgb.n_estimators): y_pred_train = xgb.predict(X_train, iteration_range=(0,i)) train_deviance[i] = roc_auc_score(y_train, y_pred_train) plt.figure() plt.plot(test_deviance[1:], 'r', linewidth=2) plt.plot(train_deviance[1:], 'g', linewidth=2) plt.legend(['test', 'train']) plt.title('XGBoost lr=%.1f, test roc-auc=%.3f, best_est=%d' % (learning_rate, test_deviance.max(), test_deviance.argmax())) plt.xlabel('Number of trees') plt.ylabel('Metric')
Максимальное значение метрики ROC-AUC достигается при learning rate (lr) равном 0.5 и количестве этапов бустинга (n_estimators) равном 10.
Запустим модель с найденными оптимальными параметрами lr=0.5, n_estimators=10
xgb_clf = XGBClassifier(n_estimators=10, learning_rate=0.5, random_state=13) xgb_clf.fit(X_train, y_train) y_pred = xgb_clf.predict(X_test)
results['XGBoost-VC'] = quality(y_test, y_pred)
Accuracy: 0.803 Precision: 0.661 Recall: 0.531 F1-score: 0.589 AUC: 0.716
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
Видим, что результаты xgboost существенно улучшились.
XGBoost: настройка гиперпараметров по сетке с кроссвалидацией
Посмотрим, какие результаты нам удастся получить после поиска по сетке с использованием GridSearchCV
Код настройки гиперпараметров с использованием GridSearchCV
# Define Gradient Boosting classifier with default parameters clf = XGBClassifier(random_state=13) # Estimate grid of the classifier hyperparameters parameters = {'n_estimators':[10,50,100], 'max_depth':[1,2,3,5], 'learning_rate':[1,0.5,0.3] } # Define GridSearch parameters gs = GridSearchCV(clf, # Classifier object to optimize parameters, # Grid of the hyperparameters scoring='roc_auc', # Classification quality metric to optimize cv=5 # Number of folds in KFolds cross-validation ) # Run Grid Search optimization gs.fit(X_train, y_train) gs.best_params_
{'learning_rate': 0.5, 'max_depth': 1, 'n_estimators': 50}
pred_gs = gs.predict(X_test)
results['XGBoost-GS'] = quality(y_test, pred_gs)
Accuracy: 0.806 Precision: 0.668 Recall: 0.535 F1-score: 0.594 AUC: 0.719
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
XGBoost-GS |
0.806 |
0.668 |
0.535 |
0.594 |
0.719 |
Видим, что с использованием GridSearchCV результаты еще улучшились и по метрике ROC-AUC xgboost вышел на второе промежуточное место.
LightGBM
Третий участник — реализация алгоритма градиентного бустинга пакета LightGBM и, как обычно, первый запуск «из коробки», со значениями гиперпараметров по умолчанию
Код запуска классификатора LightGBM со значениями гиперпараметров по умолчанию
lgbm_clf = LGBMClassifier(verbose=-1, random_state=13) lgbm_clf.fit(X_train, y_train) y_pred = lgbm_clf.predict(X_test) results['LightGBM'] = quality(y_test, y_pred)
Accuracy: 0.794 Precision: 0.643 Recall: 0.504 F1-score: 0.565 AUC: 0.702
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
XGBoost-GS |
0.806 |
0.668 |
0.535 |
0.594 |
0.719 |
LightGBM |
0.794 |
0.643 |
0.504 |
0.565 |
0.702 |
Ну что ж, неплохо для начала…
LightGBM: кривая валидации для количества деревьев
Построим кривую валидации для гиперпараметра n_estimators
Код построения кривой валидации
n_trees = [1, 3, 5, 10, 50, 100, 200, 300, 400, 500] quals_train = [] quals_test = [] for n in n_trees: clf = LGBMClassifier(n_estimators=n, verbose=-1, random_state=13) clf.fit(X_train, y_train) q_train = roc_auc_score(y_train, clf.predict(X_train)) q_test = roc_auc_score(y_test, clf.predict(X_test)) quals_train.append(q_train) quals_test.append(q_test) plt.figure(figsize=(8, 5)) plt.plot(n_trees, quals_train, marker='.', label='train') plt.plot(n_trees, quals_test, marker='.', label='test') plt.xlabel('Number of trees') plt.ylabel('AUC-ROC') plt.title('LightGBM Validation Curve') plt.legend() plt.show();
Отсортируем по убыванию значения выбранной метрики
sorted(list(zip(quals_test, n_trees)), reverse=True)
[(0.7075290941542413, 50), (0.7015503073111397, 100), (0.6927435214945183, 200), (0.6884557802227645, 300), (0.6865961479374308, 500), (0.682139819951691, 400), (0.6565635468343097, 10), (0.5301488281209544, 5), (0.5, 3), (0.5, 1)]
Лучший результат достигается для числа деревьев равного 50, но мы еще не настраивали learning rate…
LightGBM: кривые валидации для скорости обучения
Посмотрим, как влияет параметр learning_rate на качество алгоритма и склонность к переобучению
Код построения кривых валидации
for learning_rate in [1, 0.5, 0.3, 0.2, 0.1]: lgb = LGBMClassifier(n_estimators=150, learning_rate=learning_rate, random_state=13, verbose=-1).fit(X_train, y_train) test_deviance = np.zeros((lgb.n_estimators,), dtype=np.float64) for i in range(lgb.n_estimators): y_pred_test = lgb.predict(X_test, num_iteration=i) test_deviance[i] = roc_auc_score(y_test, y_pred_test) train_deviance = np.zeros((lgb.n_estimators,), dtype=np.float64) for i in range(lgb.n_estimators): y_pred_train = lgb.predict(X_train, num_iteration=i) train_deviance[i] = roc_auc_score(y_train, y_pred_train) plt.figure() plt.plot(test_deviance[1:], 'r', linewidth=2) plt.plot(train_deviance[1:], 'g', linewidth=2) plt.legend(['test', 'train']) plt.title('LightGBM lr=%.1f, test roc-auc=%.3f, best_est=%d' % (learning_rate, test_deviance.max(), test_deviance.argmax())) plt.xlabel('Number of trees') plt.ylabel('Metric')
Максимальное значение метрики ROC-AUC достигается с параметром learning rate равным 0.3 и n_estimators равным 12.
Запустим модель с найденными оптимальными значениями гиперпараметров lr=0.3, n_estimators=12
lgbm = LGBMClassifier(n_estimators=12, learning_rate=0.3, verbose=-1, random_state=13) lgbm.fit(X_train, y_train) y_pred = lgbm.predict(X_test)
results['LightGBM-VC'] = quality(y_test, y_pred)
Accuracy: 0.803 Precision: 0.664 Recall: 0.524 F1-score: 0.586 AUC: 0.714
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
XGBoost-GS |
0.806 |
0.668 |
0.535 |
0.594 |
0.719 |
LightGBM |
0.794 |
0.643 |
0.504 |
0.565 |
0.702 |
LightGBM-VC |
0.803 |
0.664 |
0.524 |
0.586 |
0.714 |
Видим, что результаты улучшились.
LightGBM: настройка гиперпараметров с использованием GridSearchCV
Проведем настройку гиперпараметров поиском по сетке с использованием GridSearchCV
Код настройки гиперпараметров с использованием GridSearchCV
# Define Gradient Boosting classifier with default parameters clf = LGBMClassifier(verbose=-1, random_state=13) # Estimate grid of the classifier hyperparameters parameters = {'n_estimators':[10,50,100,150], 'max_depth':[1,2,3,5], 'learning_rate':[1,0.5,0.3,0.2,0.1] } # Define GridSearch parameters gs = GridSearchCV(clf, # Classifier object to optimize parameters, # Grid of the hyperparameters scoring='roc_auc', # Classification quality metric to optimize cv=5 # Number of folds in KFolds cross-validation ) # Run Grid Search optimization gs.fit(X_train, y_train) gs.best_params_
{'learning_rate': 0.2, 'max_depth': 1, 'n_estimators': 150}
pred_gs = gs.predict(X_test) results['LightGBM-GS'] = quality(y_test, pred_gs)
Accuracy: 0.806 Precision: 0.669 Recall: 0.533 F1-score: 0.593 AUC: 0.719
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
XGBoost-GS |
0.806 |
0.668 |
0.535 |
0.594 |
0.719 |
LightGBM |
0.794 |
0.643 |
0.504 |
0.565 |
0.702 |
LightGBM-VC |
0.803 |
0.664 |
0.524 |
0.586 |
0.714 |
LightGBM-GS |
0.806 |
0.669 |
0.533 |
0.593 |
0.719 |
После настройки на GridSearchCV результаты LightGBM по метрике ROC-AUC сравнялись с xgboost — плотная борьба…
CatBoost
На десерт протестируем реализацию алгоритма бустинга пакета catboost от Yandex и для начала оценим метрики «из коробки», то есть, со значениями гиперпараметров по умолчанию
catboost = CatBoostClassifier(logging_level='Silent', random_state=13) catboost.fit(X_train, y_train) pred = catboost.predict(X_test) results['Catboost'] = quality(y_test, pred)
Accuracy: 0.799 Precision: 0.656 Recall: 0.51 F1-score: 0.574 AUC: 0.706
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
XGBoost-GS |
0.806 |
0.668 |
0.535 |
0.594 |
0.719 |
LightGBM |
0.794 |
0.643 |
0.504 |
0.565 |
0.702 |
LightGBM-VC |
0.803 |
0.664 |
0.524 |
0.586 |
0.714 |
LightGBM-GS |
0.806 |
0.669 |
0.533 |
0.593 |
0.719 |
Catboost |
0.799 |
0.656 |
0.510 |
0.574 |
0.706 |
И у нас есть первый результат catboost, который мы попробуем улучшить
Catboost: кривая валидации для количества деревьев
Как обычно, начнем настройку с кривой валидации для количества деревьев (n_estimators)
Код построения кривой валидации для n_estimators
n_trees = [1, 3, 5, 10, 50, 100, 200, 300, 400, 500] quals_train = [] quals_test = [] for n in n_trees: clf = CatBoostClassifier(iterations=n, logging_level='Silent', random_state=13) clf.fit(X_train, y_train) q_train = roc_auc_score(y_train, clf.predict(X_train)) q_test = roc_auc_score(y_test, clf.predict(X_test)) quals_train.append(q_train) quals_test.append(q_test) plt.figure(figsize=(8, 5)) plt.plot(n_trees, quals_train, marker='.', label='train') plt.plot(n_trees, quals_test, marker='.', label='test') plt.xlabel('Number of trees') plt.ylabel('AUC-ROC') plt.title('Catboost Validation Curve') plt.legend() plt.show();
Отсортируем результаты в порядке убывания выбранной метрики
sorted(list(zip(quals_test, n_trees)), reverse=True)
[(0.7219435458906844, 100), (0.7210522802935365, 10), (0.7113398443478572, 300), (0.7110170554517953, 50), (0.7071292041671413, 400), (0.7028414628953876, 500), (0.6999363628308299, 200), (0.69259449774393, 5), (0.680159932979589, 1), (0.6744320123729989, 3)]
Лучший результат достигается для 100 деревьев
Catboost: кривые валидации для скорости обучения
Продолжим настройку и посмотрим, как гиперпараметр learning rate влияет на качество алгоритма и склонность к переобучению
Код построения кривых валидации для learning rate
n_iterations = 150 for learning_rate in [1, 0.5, 0.3, 0.2, 0.1]: cbt = CatBoostClassifier(iterations=n_iterations, learning_rate=learning_rate, logging_level='Silent', random_state=13).fit(X_train, y_train) test_deviance = np.zeros((n_iterations,), dtype=np.float64) for i, y_pred in enumerate(cbt.staged_predict(X_test, prediction_type='Class', ntree_start=0, ntree_end=i)): test_deviance[i] = roc_auc_score(y_test, y_pred) train_deviance = np.zeros((n_iterations,), dtype=np.float64) for i, y_pred in enumerate(cbt.staged_predict(X_train, prediction_type='Class', ntree_start=0, ntree_end=i)): train_deviance[i] = roc_auc_score(y_train, y_pred) plt.figure() plt.plot(test_deviance, 'r', linewidth=2) plt.plot(train_deviance, 'g', linewidth=2) plt.legend(['test', 'train']) plt.title('Catboost lr=%.1f, test roc-auc=%.3f, best_est=%d' % (learning_rate, test_deviance.max(), test_deviance.argmax()+1)) plt.xlabel('Number of trees') plt.ylabel('Metric')
Максимальное значение метрики ROC-AUC достигается при learning rate (lr) равном 0.1 и количестве этапов бустинга (n_estimators) равном 98.
Запустим модель с найденным оптимальным набором гиперпараметров lr=0.1, n_estimators=98
catboost = CatBoostClassifier(iterations=98, learning_rate=0.1, logging_level='Silent', random_state=13) catboost.fit(X_train, y_train) pred = catboost.predict(X_test)
results['Catboost-VC'] = quality(y_test, pred)
Accuracy: 0.81 Precision: 0.677 Recall: 0.545 F1-score: 0.604 AUC: 0.726
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
XGBoost-GS |
0.806 |
0.668 |
0.535 |
0.594 |
0.719 |
LightGBM |
0.794 |
0.643 |
0.504 |
0.565 |
0.702 |
LightGBM-VC |
0.803 |
0.664 |
0.524 |
0.586 |
0.714 |
LightGBM-GS |
0.806 |
0.669 |
0.533 |
0.593 |
0.719 |
Catboost |
0.799 |
0.656 |
0.510 |
0.574 |
0.706 |
Catboost-VC |
0.810 |
0.677 |
0.545 |
0.604 |
0.726 |
И у нас смена лидера — catboost вырывается вперед !
Catboost: настройка гиперпараметров по сетке с кроссвалидацией
Проведем завершающую настройку поиском по сетке с использованием GridSearchCV
Код запуска классификатора catboost с использованием GridSearchCV
# Define Gradient Boosting classifier with default parameters clf = CatBoostClassifier(logging_level='Silent', random_state=13) # Estimate grid of the classifier hyperparameters parameters = {'n_estimators':[10,50,100,150], 'max_depth':[1,2,3,5], 'learning_rate':[1,0.5,0.3,0.2,0.1] } # Define GridSearch parameters gs = GridSearchCV(clf, # Classifier object to optimize parameters, # Grid of the hyperparameters scoring='roc_auc', # Classification quality metric to optimize cv=5 # Number of folds in KFolds cross-validation ) # Run Grid Search optimization gs.fit(X_train, y_train) gs.best_params_
{'learning_rate': 0.1, 'max_depth': 3, 'n_estimators': 100}
pred_gs = gs.predict(X_test) results['CatBoost-GS'] = quality(y_test, pred_gs)
Accuracy: 0.808 Precision: 0.676 Recall: 0.533 F1-score: 0.596 AUC: 0.72
pd.DataFrame(results, index = ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']).T
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
XGBoost-GS |
0.806 |
0.668 |
0.535 |
0.594 |
0.719 |
LightGBM |
0.794 |
0.643 |
0.504 |
0.565 |
0.702 |
LightGBM-VC |
0.803 |
0.664 |
0.524 |
0.586 |
0.714 |
LightGBM-GS |
0.806 |
0.669 |
0.533 |
0.593 |
0.719 |
Catboost |
0.799 |
0.656 |
0.510 |
0.574 |
0.706 |
Catboost-VC |
0.810 |
0.677 |
0.545 |
0.604 |
0.726 |
Catboost-GS |
0.808 |
0.676 |
0.533 |
0.596 |
0.720 |
И на GridSearchCV catboost показывает результаты чуть хуже…
Результаты и выводы
Итоговая таблица лидеров
Отсортируем итоговую турнирную таблицу по убыванию метрики ROC-AUC
|
Accuracy |
Precision |
Recall |
F1-Score |
AUC |
Catboost-VC |
0.810 |
0.677 |
0.545 |
0.604 |
0.726 |
Sklearn-VC |
0.809 |
0.684 |
0.528 |
0.596 |
0.72 |
Catboost-GS |
0.808 |
0.676 |
0.533 |
0.596 |
0.720 |
XGBoost-GS |
0.806 |
0.668 |
0.535 |
0.594 |
0.719 |
LightGBM-GS |
0.806 |
0.669 |
0.533 |
0.593 |
0.719 |
Sklearn-GS |
0.808 |
0.681 |
0.522 |
0.591 |
0.717 |
Sklearn |
0.807 |
0.678 |
0.522 |
0.59 |
0.716 |
XGBoost-VC |
0.803 |
0.661 |
0.531 |
0.589 |
0.716 |
LightGBM-VC |
0.803 |
0.664 |
0.524 |
0.586 |
0.714 |
Catboost |
0.799 |
0.656 |
0.510 |
0.574 |
0.706 |
LightGBM |
0.794 |
0.643 |
0.504 |
0.565 |
0.702 |
XGBoost |
0.786 |
0.621 |
0.503 |
0.556 |
0.696 |
И чемпионом становится catboost !
Визуализация результатов
Как известно, одна картинка стоит тысячи слов, поэтому визуализируем полученные результаты
Код для визуализации
plt.figure(figsize=(15, 6)) x = np.arange(5) for key, value in results.items(): plt.plot(x, results[key], marker='x', label=key); plt.xticks(x, ['Accuracy', 'Precision', 'Recall', 'F1-score', 'AUC']); plt.ylim(0.49, 0.82) plt.legend(prop ={'size': 10});
Выводы
-
Из коробки на первом месте реализация Sklearn, потом Catboost, затем LightGBM и XGBoost завершающий;
-
После настройки параметров на первое место вышел Catboost, Sklearn переместился на второе, а третье поделили XGBoost и LightGBM с минимальным отставанием от второго места );
-
Учитывая близость результатов можно сказать, что современные реализации алгоритма градиентного бустинга достаточно эффективны и все рассмотренные алгоритмы прекрасно справляются со своей задачей.
ссылка на оригинал статьи https://habr.com/ru/articles/869372/
Добавить комментарий