如今，機器學習已成為金融、醫療、軟體和資料科學等各行各業不可或缺的一部分。然而，要開發一個良好且有效的機器學習模型，搭建必要的環境和工具至關重要，有時也會帶來諸多問題。想象一下，無需任何複雜的設定和安裝，直接在瀏覽器中訓練像 XGBoost 這樣的模型。這不僅簡化了流程，也讓機器學習更容易被大眾接受。在本文中，我們將介紹什麼是基於瀏覽器的 XGBoost，以及如何使用它在瀏覽器上訓練模型。
什麼是XGBoost？
極限梯度提升（Extreme Gradient Boosting），簡稱 XGBoost，是一種可擴充套件且高效的梯度提升技術實現，旨在提高速度、效能和可擴充套件性。它是一種整合技術，結合多個弱學習器進行預測，每個學習器都在前一個學習器的基礎上進行改進以糾正錯誤。
它是如何工作的？
XGBoost 是一種整合技術，它利用決策樹、基礎學習器或弱學習器，並採用正則化技術來增強模型泛化能力。這也有助於降低模型過擬合的可能性。決策樹（基礎學習器）採用順序方法，使得後續的每一棵樹都試圖最小化前一棵樹的誤差。因此，每棵樹都會從前一棵樹的誤差中學習，而下一棵樹則使用前一棵樹更新後的殘差進行訓練。
這試圖透過最佳化損失函式來幫助糾正前一棵樹的誤差。這就是模型效能隨著每次迭代逐步提升的方式。XGBoost 的主要特性包括：
- 正則化
- 樹修剪
- 並行處理
如何在瀏覽器中進行訓練？
我們將使用 TrainXGB 在瀏覽器上完全訓練我們的 XGBoost 模型。為此，我們將使用來自 Kaggle 的房價預測資料集。在本節中，我將指導您完成瀏覽器模型訓練的每個步驟，選擇適當的超引數，並評估訓練模型的推斷，所有這些都使用價格預測資料集。
理解資料
現在讓我們開始上傳資料集。點選“Choose file”，然後選擇要用於訓練模型的資料集。應用程式允許您選擇 CSV 分隔符以避免任何錯誤。開啟您的 CSV 檔案，檢查特徵或列的分隔方式，然後選擇一個。否則，如果選擇其他分隔符，則會顯示錯誤。
檢查資料集特徵之間的相互關係後，只需點選“Show Dataset Description”。它將快速彙總資料集數值列中的重要統計資料。它提供諸如平均值、標準差（顯示資料的分佈）、最小值和最大值以及 25%、50% 和 75% 百分位數等值。點選後，它將執行 describe 方法。
選擇訓練集-測試集拆分的特徵
成功上傳資料後，點選“Configuration”按鈕，進入下一步，我們將選擇訓練集的重要特徵和目標特徵（我們希望模型預測的內容）。本資料集的目標特徵是“Price”，因此我們選擇它。
設定超引數
接下來，選擇模型型別，無論是分類器還是迴歸器。這完全取決於你選擇的資料集。檢查你的目標列是連續值還是離散值。如果是離散值，則為分類問題；如果是連續值，則為迴歸問題。
根據所選的模型型別，我們還將選擇評估指標，這將有助於最大限度地降低損失。在我的例子中，我需要預測房價，所以這是一個連續問題，因此我選擇了 RMSE 最低的迴歸器。
此外，我們可以透過選擇超引數來控制 XGBoost 樹的生長方式。這些超引數包括：
- 樹方法：在樹方法中，我們可以選擇 hist、auto、exact、approx 和 gpu_hist。我使用了 hist，因為它在處理大型資料集時速度更快、效率更高。
- 最大深度：設定每棵決策樹的最大深度。數值越大，樹可以學習更復雜的模式，但數值不宜過大，否則容易導致過擬合。
- 樹數：預設值為 100。它表示用於訓練模型的樹的數量。理想情況下，樹越多可以提高模型的效能，但訓練速度也會越慢。
- 子樣本：它是輸入到每棵樹的訓練資料的比例。如果為 1，則表示所有行，因此最好保持較低的值以減少過擬合的可能性。
- Eta：代表學習率，它控制模型在每一步的學習量。值越低，速度越慢，但準確性也越高。
- Colsample_bytree/bylevel/bynode：這些引數用於在樹生長過程中隨機選擇列。較低的值會引入隨機性，有助於防止過擬合。
訓練模型
設定好超引數後，下一步就是訓練模型。為此，請前往“Training & Results”，然後點選“Train XGBoost”，即可開始訓練。
它還會顯示即時圖表，以便您即時監控模型訓練的進度。
訓練完成後，您可以下載訓練好的權重，並在本地使用。它還會以條形圖的形式展示訓練過程中最有幫助的特徵。
檢查模型在測試資料上的效能
現在，我們已經對模型進行了訓練並基於資料進行了微調。接下來，讓我們嘗試使用測試資料來檢視模型的效能。為此，請上傳測試資料並選擇目標列。
現在，點選“Run inference”即可檢視模型在測試資料上的效能。
小結
過去，構建機器學習模型需要手動設定環境和編寫程式碼。但現在，像 TrainXGB 這樣的工具徹底改變了這一切。在這裡，我們無需編寫任何程式碼，因為一切都在瀏覽器中執行。像 TrainXGB 這樣的平臺讓這一切變得非常簡單，我們可以上傳真實資料集、設定超引數並評估模型的效能。這種向基於瀏覽器的機器學習的轉變，讓更多人能夠學習和測試，而無需擔心設定問題。然而，這僅限於某些模型，但未來，新的平臺可能會帶來更強大的演算法和功能。
評論留言