Optuna×XGBoostでred_wine_quality

はじめに

XGBoostをクラス分けではなく回帰に使ってみる.(と言いつつも、結果は10クラス分類)
ということで、いろんな要素から赤ワインのQualityを当てるモデルを作る.
結論から言うと、あまり精度は出なかった.

実行環境とライブラリ

前回の記事を参照

実装

1. 適当なパラメータでやる(max_depth, learning_rate, round_num)
2. 1のパラメータをoptunaにかける
3. パラメータを沢山にする

XGBoostにある２つの回帰アルゴリズム
* 線形回帰
* ロジスティック回帰
どっちも試した.
また,データ属性は全部使ってみる.

前処理

preprocess

def preprocess(df):
    df[target_column] = df[target_column] /10
    return df

ロジスティック回帰を用いるために,Quality[0,10]を[0,1]の少数として扱う.
最大値で割ろうかと思ったが,無限小数とかになった時に,精度が全く出なさそうなので10で割った.
元データがすでに全て数値なので、数値変換はしない.
全属性を使うのでdropもしない.

XGBoostによる学習

train

def train(df,max_depth,learning_rate,num_round,how_objective):
    train_x = df.drop(target_column,axis=1)
    train_y = df[target_column]
    dtrain = xgb.DMatrix(train_x,label=train_y)
    param = { 'max_depth':max_depth,'learning_rate':learning_rate,'objective':how_objective,'silent':1}
    bst = xgb.train(param,dtrain,num_round)
    return bst

target_columnは目的変数

optunaの目的関数の定義

objective

def objective(df, df_test, y, how_objective, trial):
    #目的関数
    max_depth = trial.suggest_int('max_depth',1,30)
    learning_rate = trial.suggest_uniform('learning_rate',0.0,1.0)
    round_num = trial.suggest_int('round_num',1,30)
    bst = train(df,max_depth,learning_rate,round_num,how_objective)
    answer = predict(bst,df_test).round().astype(int)
    score = accuracy_score(answer,y.astype(int))
    return 1.0 - score

max_depth, learning_rate, round_numについてチューニングを行う。

main関数

main

def main():
    global target_column
    df_original = pd.read_csv("/Users/pc1013/Desktop/first/XGBoost_optuna/df/winequality-red.csv")
    df = preprocess(df_original)
    (df_train, df_test) = train_test_split(df, test_size = 0.1, random_state = 666)
    y = df_test[target_column]*10
    df_test = df_test.drop(target_column,axis=1)

    how_objective = 'reg:logistic' #or 'reg:linear'

    '''
    学習と結果出力
    必要があればoptunaの前処理とチューニング
    '''

実行結果

パラメータを適当にやる

#ハイパーパラメータ
    max_depth = 6
    learning_rate = 0.1
    round_num = 10

上から、linearとlogistic

３つのパラメータを自動チューニング

上からlinearとlogistic

完璧なオーバーフィッティング

沢山のパラメータを自動チューニング

上からlinearとlogistic

改良

データ前処理の変更

• 寄与率の低かった、citric acid, free sulfur dioxide, sulphatesをデータセットから削除する

optunaの変更

• 試行回数(n_trial)を200回 パラメータの範囲を
• max_depth ≤ 30
• round_num ≤ 30
• learning_rate ≤ 1.0
• gamma ≤ 10.0
• min_childe_weigh ≤ 10.0
• alpha ≤ 10.0 とする

def preprocess(df):
    df = df.drop(['citric acid','free sulfur dioxide','fixed acidity','alcohol'],axis=1)
    df[target_column] = df[target_column] /10
    return df

#ハイパーパラメータの範囲(objective関数内)
    max_depth = trial.suggest_int('max_depth',1,25)
    learning_rate = trial.suggest_uniform('learning_rate',0.0,1.0)
    round_num = trial.suggest_int('round_num',1,30)
    gamma = trial.suggest_uniform('gamma',0.0,10.0)
    colsample_bytree = trial.suggest_uniform('colsample_bytree',0.0,1.0)
    min_childe_weigh = trial.suggest_uniform('min_childe_weigh',0.0,10.0)
    alpha = trial.suggest_uniform('alpha',0.0,10.0)

実行結果 #2

上からlinearとlogistic

過学習がマシになった...?　(なってない)

まとめ

精度が出ない。
自動化と言っても、過学習を防ぐために、ハイパーパラメータの範囲の調整が必要だった。