CatBoost快速入门

备注

该库貌似仍不稳定，我在继续训练的时候找到一个BUG Can Not Training continuation（2020.2.27 版本0.21），现在已修复了

推荐阅读

MNIST & CatBoost保存模型并预测
快速掌握CatBoost基本用法

简介

CatBoost是一款高性能机器学习开源库，基于GBDT，由俄罗斯搜索巨头Yandex在2017年开源。

那么CatBoost与其他Boosting算法如LightGBM和XGBoost相比如何呢？

在质量上，无论是fine-tuned后还是默认情况下，CatBoost的loss优于其他三个框架。

在速度上，CatBoost在Epsilon和Higgs数据集上与对手进行了比较，在GPU训练下完胜对手，在CPU训练下与LightGBM平分秋色。

Epsilon数据集（二分类2001个特征）

Higgs数据集（二分类29个特征）

CatBoost特点有：

1. 免调参高质量
2. 支持类别特征
3. 快速和可用GPU
4. 提高准确性
5. 快速预测

更多对比参见 Battle of the Boosting Algos: LGB, XGB, Catboost，建议自己运行一遍，本人运行与原文有出入—— XGBoost、LightGBM、Catboost对比

安装

GPU开箱即用，不用额外安装其他

pip install catboost

Jupyter可视化配置

pip install ipywidgets
jupyter nbextension enable --py widgetsnbextension

初试

CatBoost内置数据集 Titanic，该数据集为二分类任务。

导入必要的包

from catboost.datasets import titanic
from catboost import CatBoostClassifier, Pool
from sklearn.model_selection import train_test_split

读取数据集

# 数据集
titanic_train, titanic_test = titanic()
titanic_train.head(10)

有数据为空NaN，例如乘客编号为6的年龄。
有数据是离散值，例如姓名和船票编号。
认为对模型训练作用性不大，去掉。

remove = ['PassengerId', 'Name', 'Ticket', 'Cabin'] 
X = titanic_train.drop(remove, axis=1)  # 去掉无关信息
X = X.dropna(how='any', axis='rows')  # 去掉空值
y = X.pop('Survived')  # 标签
X.head()

结果如上，其中船舱等级、性别和登船码头（下标为0,1,6）显然为类别特征，而恰好CatBoost支持类别特征训练。

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

创建Pool对象，这是CatBoost自带的类，便于CatBoost库进行处理。
当然，CatBoost实现了sklearn的接口，直接使用pd.DataFrame类型的X_train, X_test, y_train, y_test训练也行。

# 定义池（CatBoost最快的处理方式）
cat_features = [0, 1, 6]  # 分类特征
train_pool = Pool(X_train, y_train, cat_features=cat_features)
test_pool = Pool(X_test, y_test, cat_features=cat_features)

定义CatBoost分类模型

# 定义模型
model = CatBoostClassifier()

训练，参数含义分别是：train_pool训练数据，eval_set验证集，plot可视化，silent不输出训练过程，use_best_model使用最优模型

# 训练
model.fit(train_pool, eval_set=test_pool, plot=True, silent=True, use_best_model=True)  #可视化，不输出过程，最优模型

查看最优结果和准确率

model.get_best_score()  # 最优loss

{'learn': {'Logloss': 0.14129628504561498},
 'validation': {'Logloss': 0.471373085990394}}

model.score(test_pool) #准确率

0.8111888111888111

最后保存模型

model.save_model('titanic.model') # 保存模型

加载模型

del model
model = CatBoostClassifier()
model.load_model('titanic.model')

查看测试集数据

print(X_test[:10])
print(y_test[:10])

     Pclass     Sex   Age  SibSp  Parch      Fare Embarked
641       1  female  24.0      0      0   69.3000        C
496       1  female  54.0      1      0   78.2667        C
262       1    male  52.0      1      1   79.6500        S
311       1  female  18.0      2      2  262.3750        C
551       2    male  27.0      0      0   26.0000        S
550       1    male  17.0      0      2  110.8833        C
279       3  female  35.0      1      1   20.2500        S
268       1  female  58.0      0      1  153.4625        S
110       1    male  47.0      0      0   52.0000        S
554       3  female  22.0      0      0    7.7750        S
641    1
496    1
262    0
311    1
551    0
550    1
279    1
268    1
110    0
554    1
Name: Survived, dtype: int64

使用模型进行预测

model.predict(X_test[:10])  #预测

可以看到前5个都对了，后5个错得有点多

array([1, 1, 0, 1, 0, 0, 0, 1, 0, 0], dtype=int64)

使用模型进行概率预测

model.predict_proba(X_test[:10])  #预测概率

array([[0.02731782, 0.97268218],
       [0.03240048, 0.96759952],
       [0.63710499, 0.36289501],
       [0.03272136, 0.96727864],
       [0.80136214, 0.19863786],
       [0.64224485, 0.35775515],
       [0.64860225, 0.35139775],
       [0.06276485, 0.93723515],
       [0.64481127, 0.35518873],
       [0.58364375, 0.41635625]])

继续训练

new_model = CatBoostClassifier()
new_model.fit(test_pool, plot=True, silent=True, init_model='titanic.model') # 继续训练

可视化

fit()时加入参数plot=True

model.fit(X_train, y_train, plot=True)

决策树

调用 plot_tree()，tree_idx为树的索引

model.plot_tree(tree_idx=0, pool=test_pool)

特征重要性

调用模型属性model.feature_importances_

for i,j in zip(X.columns, model.feature_importances_):
    print('{}: {:.2f}%'.format(i,j))

Pclass: 18.62%
Sex: 46.79%
Age: 12.47%
SibSp: 4.68%
Parch: 2.16%
Fare: 10.65%
Embarked: 4.63%

%matplotlib inline
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
def feature_importances(df, model):
    max_num_features=10
    feature_importances = pd.DataFrame(columns = ['feature', 'importance'])
    feature_importances['feature'] = df.columns
    feature_importances['importance'] = model.feature_importances_
    feature_importances.sort_values(by='importance', ascending=False, inplace=True)
    feature_importances = feature_importances[:max_num_features]
    plt.figure(figsize=(12, 6));
    sns.barplot(x="importance", y="feature", data=feature_importances);
    plt.title('CatBoost features importance');
feature_importances(X, model)

看来最决定生死的前三个因素是性别、船舱等级和年龄。

最优模型

fit()时加入参数use_best_model=True

model.fit(X_train, y_train, use_best_model=True)

调用GPU

定义模型时加入参数task_type="GPU"

model = CatBoostClassifier(task_type="GPU")
model.fit(X_train, y_train)

如果需要GPU支持，系统编译器必须与CUDA Toolkit兼容。
若报错请自行编译 CatBoost Build from source on Windows

参考文献

1. CatBoost - open-source gradient boosting library
2. Quick start - CatBoost. Documentation
3. CatBoost tutorials
4. 机器学习算法之Catboost
5. MNIST & Catboost保存模型并预测