在机器学习应用中，Xgboost模型作为一种集成算法，其在数据量较大时表现较出色，并且有着较高的准确性，以及其具有一定的可解释性，可提供各特征项的重要性评估指标，而且xgboost模型时可加入正则项，有效地控制过拟合问题。Xgboost当前在各个领域有着较为广泛的应用，与其它的机器学习算法类似，其通常也用于分类和预测数据，当然也可使用其进行特征选择等。

• 1、背景

  当前有一项关于‘信用卡交易欺诈’的数据科学研究，已整理好数据共为1000条，其包括六项，分别是换设备次数，支付失败次数，换IP次数，换IP国家次数，交易金额和欺诈标签，欺诈标签时，数字1表示欺诈，数字0表示没有欺诈行为，现希望通过xgboost进行模型构建，并且做一些预测工作，部分数据如下图所示：

  

• 2、理论

  在进行xgboost模型时，其涉及参数如下表所述：

  参数	说明	参数值设置
  提升器类型	构建模型的算法方式，通常使用树模型较多	gbtree:树模型，适用于大多数情况； gblinear:线性模型，特征数量远大于样本量时可考虑使用； dart:DART算法，数据集较大时可考虑，但会增加过拟合风险
  学习器数量	用于构建的树的数量	默认是100
  学习率	模型参数更新步长，越小收敛越快，但迭代次数越多	其范围介于(0.0, 1.0] 默认0.1
  树最大深度	树的深度越大，则对数据的拟合程度越高（过拟合程度也越高）	默认是6
  样本采样率	训练每棵树时所使用的样本的比例	其范围介于(0.0, 1.0]，默认1.0
  特征采样率	训练每棵树时所使用的特征的比例	其范围介于(0.0, 1.0]，默认1.0
  最小子节点权重	树的每个叶子节点上的所有样本的权重和最小值	其范围介于[0.0, +∞]，默认1.0
  分裂收益阈值	用来比较每次节点分裂带来的收益，效控制节点的过度分裂	其范围介于[0.0, +∞]，默认0.0
  L1正则化	通过在目标函数中添加L1范数的惩罚来防止过拟合。较大的alpha值会导致模型的权重更加稀疏，从而有助于进行特征选择	其范围介于[0.0, +∞]，默认0.0
  L2正则化	通过在目标函数中添加 L2 范数的惩罚来防止过拟合。较大的lambda值会导致模型的权重更加缩小，从而有助于防止过拟合。	其范围介于[0.0, +∞]，默认1.0
  任务类型	包括自动判断，分类和回归任务	系统会结合Y的不同数字个数自动判断分类或回归任务，当然可自行选择分类或回归任务

  除此之外，与其它的机器学习算法类似，SPSSAU提供训练集比例参数（默认是训练集占0.8，测试集占0.2），数据归一化参数（默认不进行），以及保存预测值（Xgboost时会生成预测类别，但不会生成预测概率），保存训练测试标识（生成一个标题来标识训练集和测试集数据的标识）。

• 3、操作

  本例子操作截图如下：

  

  将欺诈标签放入Y框中，其余5个特征项作为自变量X。与此同时，训练集比例默认为0.8，暂不进行数据归一化，当然当前数据也可考虑做标准化处理，因为涉及数据的量纲不同。更多参数设置暂保持为默认值。

• 4、SPSSAU输出结果

  SPSSAU共输出5项结果，依次为基本信息汇总，特征权重值，训练集或测试集模型评估结果，测试集结果混淆矩阵，模型汇总表和模型代码，如下说明：

  项	说明
  基本信息汇总	因变量Y(标签项)的数据分布情况等
  特征权重值	展示各个X（特征）对于模型的贡献力度
  训练集或测试集模型评估结果	分析训练集和测试集数据的模型效果评估，非常重要
  测试集结果混淆矩阵	测试集数据的进一步效果评估，非常重要。分类任务时提供，如果是回归任务则没有该矩阵。
  模型汇总表	模型参数及评估汇总表格
  模型代码	模型构建的核心python代码

  上述表格中，基本信息汇总展示出因变量Y（标签项）的分类分布情况，模型评估结果（包括训练集或测试集）用于模型的拟合效果判断，尤其是测试集的拟合效果，以及提供测试集数据的混淆矩阵结果（如果是分类任务则提供，如果是回归任务则无该表格）；模型汇总表格将各类参数值进行汇总，并且在最后附录模型构建的核心代码。

• 5、文字分析

  首先针对特征的权重即重要性情况进行说明，如下图：

  

  上图可以看到：换设备次数，或者换IP国次数这两项对于预测是否欺诈有着较高的帮助，而且支付失败次数也起着重要的作用。但是换IP次数或者交易金额这两项并不能很好地证明是否存在着欺诈行为。接下来针对最重要的模型拟合情况进行说明，如下表格：

  

  上表格中分别针对训练集和测试集，提供四个评估指标，分别是精确率、召回率、f1-scrore、准确率，以及平均指标和样本量指标等，整体来看，模型效果较差，因为无论是训练集还是测试集，F1-score值均训于0.9，其它指标比如精确率或者召回率指标，均高于0.9，整体上意味着模型构建较优。

  接着进一步查看测试数据的‘混淆矩阵’，即模型预测和事实情况的交叉集合，如下图：

  

  ‘混淆矩阵’时，右下三角对角线的值越大越好，其表示预测值和真实值完全一致。上图中显示测试集时，真实值为1（即欺诈）但预测为0（即不欺诈）的数量为20，其余均预测正确，仅测试集共有200条，但预测出错为20条，出错率为10%。最后SPSSAU输出模型参数信息值，如下表格：

  

  模型汇总表展示模型各项参数设置情况，最后SPSSAU输出使用python中slearn包构建本次xgboost模型的核心代码如下：

  model = xgb.XGBClassifier(booster='gbtree', n_estimators=100, eta=0.1, max_depth=6, subsample=1.0, colsample_bytree=1.0, min_child_weight=1.0, gamma=0.0, lambda=1.0, alpha=0.0')

  model.fit(x_train, y_train)

• 6、剖析

  涉及以下几个关键点，分别如下：

  • 保存预测值

  • 保存预测值时，SPSSAU会新生成一个标题用于存储模型预测的类别信息，其数字的意义与模型中标签项(因变量Y)的数字保持一致意义。但xgboost（以及决策树/随机森林）不会生成类别的预测概率。

  • SPSSAU进行Xgboost模型构建时，自变量X（特征项）中包括定类数据如何处理?

  • logistic回归模型时通常不会关注于数据类型本身，如果一定要处理，建议可对定类数据进行哑变量转化后放入，关于哑变量可点击查看。

  • SPSSAU中Xgboost回归模型合格的判断标准是什么?

  • 机器学习模型中，通常均为先使用训练数据训练模型，然后使用测试数据测试模型效果。通常判断标准为训练模型具有良好的拟合效果，同时测试模型也有良好的拟合效果。机器学习模型中很容易出现‘过拟合’现象即假的好结果，因而一定需要重点关注测试数据的拟合效果。针对单一模型，可通过变换参数调优，与此同时，可使用多种机器学习模型，比如使用决策树、随机森林、支持向量机、神经网络等，综合对比选择最优模型。

  • SPSSAU机器学习如何进行预测?

  • SPSSAU中默认带有数据预测功能，当特征项X有完整数据，但标签项（因变量Y）没有数据时，此时‘保存预测值’，SPSSAU会默认对此种情况进行预测。如下图中的编号9到12共4行数据，其只有X没有Y，那么保存预测值时，默认对该4行数据进行预测。机器学习的各方法（包括决策树/随机森林/KNN/贝叶斯/支持向量机/神经网络/logistic回归/Xgboost等）均遵从此规则。

  • 

  • 如何将多个模型绘制ROC曲线对比优劣?

  • 如果涉及多个模型预测能力绘制ROC曲线，用于多个模型预测能力对比。建议按以下步骤进行：

  • 第1步是得到各个模型（比如神经网络模型、随机森林模型、logistic回归、Xgboost等）的预测值标题，该预测值可通过SPSSAU中‘保存预测值’参数选中后得到；

  • 第2步是将得到的预测类别作为ROC曲线时的‘检验变量X’。此时绘制出来的ROC曲线则会有多条，分别表示各模型的预测值。与此同时，ROC曲线时的‘状态变量Y’为实际真实情况上的Y数据，并且该数据正常情况下为二分类（即仅包括2个数字即两个类别）。

  • 【提示：比如决策树/随机森林/xgboost没有预测概率只有预测类别，此时则纳入预测类别。但比如神经网络/logistic回归可纳入预测概率或者预测类别均可】

  • 机器学习算法时保存数据集标识的意思是什么?

  • 选择‘保存数据集标识’后，SPSSAU会新生成一个标题，用于标识模型构建时训练集或测试集，使用数字1表示训练集，数字2表示测试集。如果后续分析时（比如绘制ROC曲线）只针对训练集，那么使用筛选样本功能，筛选出训练集后分析即可。

  • 机器学习算法中保存预测信息具体是什么意思?

  • 如果选中保存预测信息，并且为分类任务时，SPSSAU会新生成预测类别，预测类别是指最终预测出来Y的类别，预测类别标题名称类似为‘xgboost_Prediction_probability_****’，以及xgboost（以及决策树和随机森林）不会得到每个类别的预测概率。

  • 为什么没有输出AUC指标及ROC曲线？

  • 如果是分类任务并且为二分类（Y为分类数据且为二分类，且参数上默认或者选择为分类任务），此时SPSSAU默认会输出ROC曲线及AUC指标等。如果是多分类（Y为分类数据且大于两类，且为分类任务），此时AUC指标的意义较小暂未输出，如果有需要，可按下述步骤进行。

  • 第1步：构建模型时先‘保存预测信息’，得到多个标题，每个标题对应1个类别时的预测概率；

  • 第2步：将某个类别（即1个标题）的预测概率作为X，Y为模型构建时的Y，并且ROC曲线时分割点设置为放入的类别项对应的数字；

  • 第3步：多个类别则重复进行多次，即得到每个Y类别标签的ROC曲线和AUC值等。

  • 【提示：决策树、随机森林和Xgboost进行分类任务时只会得到预测类别，并不会得到预测概率，因而均不输出AUC或ROC曲线，当然研究者也可利用预测类别进行绘制ROC曲线，研究者自行处理即可】