如今，机器学习已成为金融、医疗、软件和数据科学等各行各业不可或缺的一部分。然而，要开发一个良好且有效的机器学习模型，搭建必要的环境和工具至关重要，有时也会带来诸多问题。想象一下，无需任何复杂的设置和安装，直接在浏览器中训练像 XGBoost 这样的模型。这不仅简化了流程，也让机器学习更容易被大众接受。在本文中，我们将介绍什么是基于浏览器的 XGBoost，以及如何使用它在浏览器上训练模型。
什么是XGBoost？
极限梯度提升（Extreme Gradient Boosting），简称 XGBoost，是一种可扩展且高效的梯度提升技术实现，旨在提高速度、性能和可扩展性。它是一种集成技术，结合多个弱学习器进行预测，每个学习器都在前一个学习器的基础上进行改进以纠正错误。
它是如何工作的？
XGBoost 是一种集成技术，它利用决策树、基础学习器或弱学习器，并采用正则化技术来增强模型泛化能力。这也有助于降低模型过拟合的可能性。决策树（基础学习器）采用顺序方法，使得后续的每一棵树都试图最小化前一棵树的误差。因此，每棵树都会从前一棵树的误差中学习，而下一棵树则使用前一棵树更新后的残差进行训练。
这试图通过优化损失函数来帮助纠正前一棵树的误差。这就是模型性能随着每次迭代逐步提升的方式。XGBoost 的主要特性包括：
- 正则化
- 树修剪
- 并行处理
如何在浏览器中进行训练？
我们将使用 TrainXGB 在浏览器上完全训练我们的 XGBoost 模型。为此，我们将使用来自 Kaggle 的房价预测数据集。在本节中，我将指导您完成浏览器模型训练的每个步骤，选择适当的超参数，并评估训练模型的推断，所有这些都使用价格预测数据集。
理解数据
现在让我们开始上传数据集。点击“Choose file”，然后选择要用于训练模型的数据集。应用程序允许您选择 CSV 分隔符以避免任何错误。打开您的 CSV 文件，检查特征或列的分隔方式，然后选择一个。否则，如果选择其他分隔符，则会显示错误。
检查数据集特征之间的相互关系后，只需点击“Show Dataset Description”。它将快速汇总数据集数值列中的重要统计数据。它提供诸如平均值、标准差（显示数据的分布）、最小值和最大值以及 25%、50% 和 75% 百分位数等值。点击后，它将执行 describe 方法。
选择训练集-测试集拆分的特征
成功上传数据后，点击“Configuration”按钮，进入下一步，我们将选择训练集的重要特征和目标特征（我们希望模型预测的内容）。本数据集的目标特征是“Price”，因此我们选择它。
设置超参数
接下来，选择模型类型，无论是分类器还是回归器。这完全取决于你选择的数据集。检查你的目标列是连续值还是离散值。如果是离散值，则为分类问题；如果是连续值，则为回归问题。
根据所选的模型类型，我们还将选择评估指标，这将有助于最大限度地降低损失。在我的例子中，我需要预测房价，所以这是一个连续问题，因此我选择了 RMSE 最低的回归器。
此外，我们可以通过选择超参数来控制 XGBoost 树的生长方式。这些超参数包括：
- 树方法：在树方法中，我们可以选择 hist、auto、exact、approx 和 gpu_hist。我使用了 hist，因为它在处理大型数据集时速度更快、效率更高。
- 最大深度：设置每棵决策树的最大深度。数值越大，树可以学习更复杂的模式，但数值不宜过大，否则容易导致过拟合。
- 树数：默认值为 100。它表示用于训练模型的树的数量。理想情况下，树越多可以提高模型的性能，但训练速度也会越慢。
- 子样本：它是输入到每棵树的训练数据的比例。如果为 1，则表示所有行，因此最好保持较低的值以减少过拟合的可能性。
- Eta：代表学习率，它控制模型在每一步的学习量。值越低，速度越慢，但准确性也越高。
- Colsample_bytree/bylevel/bynode：这些参数用于在树生长过程中随机选择列。较低的值会引入随机性，有助于防止过拟合。
训练模型
设置好超参数后，下一步就是训练模型。为此，请前往“Training & Results”，然后点击“Train XGBoost”，即可开始训练。
它还会显示实时图表，以便您实时监控模型训练的进度。
训练完成后，您可以下载训练好的权重，并在本地使用。它还会以条形图的形式展示训练过程中最有帮助的特征。
检查模型在测试数据上的性能
现在，我们已经对模型进行了训练并基于数据进行了微调。接下来，让我们尝试使用测试数据来查看模型的性能。为此，请上传测试数据并选择目标列。
现在，点击“Run inference”即可查看模型在测试数据上的性能。
小结
过去，构建机器学习模型需要手动设置环境和编写代码。但现在，像 TrainXGB 这样的工具彻底改变了这一切。在这里，我们无需编写任何代码，因为一切都在浏览器中运行。像 TrainXGB 这样的平台让这一切变得非常简单，我们可以上传真实数据集、设置超参数并评估模型的性能。这种向基于浏览器的机器学习的转变，让更多人能够学习和测试，而无需担心设置问题。然而，这仅限于某些模型，但未来，新的平台可能会带来更强大的算法和功能。
评论留言