Bibliothèque GBDT: j'ai essayé la prédiction de la consommation de carburant (retour) avec CatBoost

Je ne connaissais pas CatBoost, qui est parfois utilisé avec XGBoost et lightGBM, qui sont des bibliothèques GBDT (Gradient Boosting Decision Trees), jusqu'à récemment, alors j'ai essayé de le déplacer avec une tâche de régression. C'était.

CatBoost？

Je vais coller le texte d'introduction du site officiel. (Google Traduction)

CatBoost est un algorithme d'amplification de gradient pour les arbres de décision.
Développé par des chercheurs et ingénieurs Yandex
Il est utilisé pour la recherche, les systèmes de recommandation, les assistants personnels, les voitures autonomes, les prévisions météorologiques et de nombreuses autres tâches telles que Yandex, CERN, Cloudflare, Careem taxi.

Articles que j'ai utilisés comme référence

• Retour: Prédire la consommation de carburant
• House Prices Regression Using CatBoost

L'ensemble de données utilisé cette fois

--Ensemble de données MPG automatique -Ceci est l'ensemble de données utilisé dans TensorFlow Tutorials. ―― Prévoyez la consommation de carburant de la voiture. Les variables explicatives comprennent le nombre de cylindres, le volume d'échappement, la puissance, le poids, etc.

Contenu

Le code suivant a fonctionné sur Google Colab. (CPU)

Installez CatBoost avec pip

!pip install catboost -U

Télécharger le jeu de données

import urllib.request

url = 'https://archive.ics.uci.edu/ml/machine-learning-databases/auto-mpg/auto-mpg.data'
file_path = './auto-mpg.data'
urllib.request.urlretrieve(url, file_path)

Prétraitement des données

import pandas as pd

column_names = ['MPG','Cylinders','Displacement','Horsepower','Weight',
                   'Acceleration', 'Model Year', 'Origin'] 
dataset = pd.read_csv(file_path, names=column_names,
                      na_values = "?", comment='\t',
                      sep=" ", skipinitialspace=True)

#Cette fois le but est de bouger, donc nan va tomber
dataset = dataset.dropna().reset_index(drop=True)

#Variable de catégorie:L'origine est gérée par Cat Boost, alors faites-en un type String
dataset['Origin'] = dataset['Origin'].astype(str)

train_dataset = dataset.sample(frac=0.8,random_state=0)
test_dataset = dataset.drop(train_dataset.index)
train_labels = train_dataset.pop('MPG')
test_labels = test_dataset.pop('MPG')

Préparer un ensemble de données à utiliser par CatBoost

import numpy as np
from catboost import CatBoostRegressor, FeaturesData, Pool

def split_features(df):
    cfc = []
    nfc = []
    for column in df:
        if column == 'Origin':
            cfc.append(column)
        else:
            nfc.append(column)
    return df[cfc], df[nfc]

cat_train, num_train = split_features(train_dataset)
cat_test, num_test = split_features(test_dataset)

train_pool = Pool(
    data = FeaturesData(num_feature_data = np.array(num_train.values, dtype=np.float32), 
                    cat_feature_data = np.array(cat_train.values, dtype=object), 
                    num_feature_names = list(num_train.columns.values), 
                    cat_feature_names = list(cat_train.columns.values)),
    label =  np.array(train_labels, dtype=np.float32)
)

test_pool = Pool(
    data = FeaturesData(num_feature_data = np.array(num_test.values, dtype=np.float32), 
                    cat_feature_data = np.array(cat_test.values, dtype=object), 
                    num_feature_names = list(num_test.columns.values), 
                    cat_feature_names = list(cat_test.columns.values))
)

Apprentissage

model = CatBoostRegressor(iterations=2000, learning_rate=0.05, depth=5)
model.fit(train_pool)

Les paramètres ci-dessus sont les valeurs telles qu'elles figurent dans l'article de référence. À propos, l'apprentissage s'est terminé avec «total: 4,3 s».

Diagramme d'inférence / résultat

import matplotlib.pyplot as plt

preds = model.predict(test_pool)

xs = list(range(len(test_labels)))
plt.plot(xs, test_labels.values, color = 'r')
plt.plot(xs, preds, color = 'k');
plt.legend(['Target', 'Prediction'], loc = 'upper left');
plt.show()

Lorsqu'il est tracé, le résultat est le suivant.

Impressions etc.

Cette fois, je viens de déplacer l'article de référence presque tel quel, mais je suis heureux d'avoir compris l'utilisation approximative de la régression.

• Bien qu'il soit également commenté sur le noyau de Kaggle auquel j'ai fait référence, il semble qu'il soit préférable d'utiliser BayesSearchCV pour le réglage des hyper paramètres, je vais donc l'essayer ensuite. ([Ce matériel](https://colab.research.google.com/github/lmassaron/kaggledays-2019-gbdt/blob/master/Kaggle%20Days%20Paris%20-%20%20GBDT%20workshop.ipynb# scrollTo = WvJdFN3xbyIz) semble être utile)