Выгрузка модели XGBClassifier в текст - PullRequest
Новая
       93

Выгрузка модели XGBClassifier в текст

0 голосов
/ 06 июня 2018

Я обучаю модель классификации с несколькими метками с помощью XGBBoost и хочу закодировать эту модель в другой системе.

Возможно ли увидеть вывод текста моей модели XGBClassifier как dump_model в XGB Booster.

Редактировать: Я обнаружил, что model._Booster.dump_model (outputfile) возвращает файл дампа, как показано ниже.Тем не менее, нет ничего, что определяет класс.В моей модели 10 классов, но в дампфиле есть только бустер.Поэтому я не уверен, является ли это моделью всех классов или только одного из них. 

booster[0]:
0:[101<0.142245024] yes=1,no=2,missing=1
    1:[107<0.102833837] yes=3,no=4,missing=3
        3:[101<0.039123565] yes=7,no=8,missing=7
            7:leaf=-0.0142603116
            8:leaf=0.023763923
        4:[101<0.0646461397] yes=9,no=10,missing=9
            9:leaf=-0.0345750563
            10:leaf=-0.0135767004
    2:[107<0.238691002] yes=5,no=6,missing=5
        5:[103<0.0775454491] yes=11,no=12,missing=11
            11:leaf=0.188941464
            12:leaf=0.0651629418
        6:[101<0.999929309] yes=13,no=14,missing=13
            13:leaf=0.00403384864
            14:leaf=0.236842111
booster[1]:
0:[102<0.014829753] yes=1,no=2,missing=1
    1:[102<0.00999682024] yes=3,no=4,missing=3
        3:[107<0.0966737345] yes=7,no=8,missing=7
            7:leaf=-0.0387153365
            8:leaf=-0.0486520194
        4:[107<0.0922582299] yes=9,no=10,missing=9
            9:leaf=0.0301927216
            10:leaf=-0.0284226239
    2:[102<0.199759275] yes=5,no=6,missing=5
        5:[107<0.12201979] yes=11,no=12,missing=11
            11:leaf=0.093562685
            12:leaf=0.0127987256
        6:[107<0.298737913] yes=13,no=14,missing=13
            13:leaf=0.227570012
            14:leaf=0.113037519

1 Ответ

0 голосов
/ 15 июня 2018

Глядя на исходный код и выходные данные примера набора данных, выглядит, как будто n -е дерево оценивает вероятность того, что данный экземпляр принадлежит классу n по модулю num_class.Я полагаю, что xgboost использует функцию softmax, поэтому вы хотите добавить вывод дерева i к weight[i%10], а затем взять softmax получаемых весов.

Нечто подобное должно работать, при условии, что у вас есть функция booster_output(features, booster_index), которая может определять вывод n-го бустерного дерева для заданных значений функций: 

import numpy as np

num_class = 10
num_boosters = 800
weight_of_classes = [0]*num_class
for i in range(num_boosters):
    weight_of_classes[i%6] += booster_output(feature_values, i)


def softmax(x):
        e_x = np.exp(x - np.max(x))
        return e_x / e_x.sum()

probability_of_classes = softmax(weight_of_classes)
print(probability_of_classes)
...