我在Twitter上偶然遇到了chefboost，因为我之前从未听说过它，所以我决定快速查看并测试它。在本文中，我将简要介绍这个库，并提到它与常用库scikit-learn的主要区别，并展示一个在实践中使用chefboost的快速示例。

chefboost简介

我认为在库的GitHub repo中提供了最好的描述:“chefboost是一个轻量级的Python决策树框架，具有分类特性支持”。

与scikit-learn相比，chefboost有三个突出的特点:

支持类别特征，这意味着我们不需要对它们进行预处理，例如，独热编码。

使用chefboost训练的决策树作为if-else语句存储在专用的Python文件中。通过这种方式，我们可以很容易地看到树做出什么样的决定来达到给定的预测。

我们可以从多个算法中选择一个来训练决策树。

在最后一点之后，chefboost提供了三种用于分类树的算法(ID3、C4.5和CART)和一种用于回归树的算法。老实说，我并不完全确定scikit-learn目前实现的是哪种算法，所以我查看了文档(其中也提供了算法的漂亮而简洁的总结)。事实证明，scikit-learn使用了CART算法的优化版本，但是没有对类别特征的支持。

在我们已经介绍的基础上，chefboost还提供了一些更先进的基于树的方法，如随机森林，梯度增强和Adaboost。

Python的一个例子

和往常一样，我们从导入库开始。

from chefboost import Chefboost as cheffrom sklearn.model_selection import train_test_splitfrom sklearn.tree import DecisionTreeClassifierimport pandas as pd

对于本例，我们将使用成人收入数据集。你以前可能已经遇到过这个问题，但简而言之，我们的目标是预测一个成年人的年收入是高于还是低于5万美元。为了做到这一点，我们从1994年人口普查数据库中选取了一些数字和分类特征。

X = pd.read_csv("../data/adult.csv")X = X.rename(columns={"income": "Decision"})

chefboost的一个奇怪的地方是对目标变量的处理方法——它必须存储在与特性相同的dataframe中，它必须被称为Decision，并且必须是dataframe的最后一列。很奇怪，但可能有一些好的理由。

我们还将把数据分成训练集和测试集。但是，这种非标准的数据结构要求scikit-learn的train_test_split函数的使用稍有不同。即使数据集不是高度不平衡的，我们使用目标列分层分割。

X_train, X_test = train_test_split(X, test_size=0.2, random_state=42, stratify=X["Decision"])

通常，我们也会将类别特性编码为布尔伪变量，但chefboost可以直接处理它们。这就是我们继续训练模型的原因。

为了训练模型，我们使用fit函数并传递数据帧(包含正确格式的数据)和配置字典作为参数。这一次，我们只表示希望使用CART算法。

考虑到我们的数据同时包含类别和数字特征，我们也可以使用C4.5算法，而不是ID3，因为它不能处理数字特征。

config = {'algorithm': 'CART'}model = chef.fit(X_train, config = config)

训练完成后我们看看结果

很高兴看到这么多现成的指标，但最突出的是训练时间。训练这棵树花了10分钟!可以通过在配置字典中将enableParallelism设置为True来并行化训练。通过这种方式，树的分支被并行地训练。然而，这样做并没有实际提高训练速度，至少在我的机器上没有。

另外，与scikit-learn的另一个区别是，chefboost主要使用函数而不是类。

对模型进行训练后创建了一个新文件——> rules.py。正如引言中提到的，它以嵌套if- lift -else语句的形式包含决策树的整个结构。

下面您可以看到部分脚本，整个脚本有20.5k行。一方面，使用这种嵌套结构可以很清楚地遵循决策的逻辑。但另一方面，如果不设置树的最大深度(我认为chefboost中的决策树不可能做到这一点)，我们便很难遵循决策路径。

训练模型之后，我们可以将它存储在一个pickle文件中，或者使用restoreTree函数直接从rules.py文件中加载它。

为了得到预测，我们使用预测函数。

prediction = chef.predict(model, X_test.iloc[0])# '<=50K'

您可能已经注意到，我们只向函数传递了一行数据。不幸的是，这是chefboost进行预测的唯一方法。我们可以自然地循环整个数据，但这不如scikit-learn的预测方法方便。

我们可以做的是使用evaluate函数运行一个求值。

evaluation = chef.evaluate(model, X_test, task="test")

我们得到的输出与我们从训练中得到的输出类似。但是我们不会花太多时间分析树的性能，因为这不是本文的目标

该库提供的另一个特性是对特性重要性的分析。我不会详细说明它是如何计算的(你可以在这里找到它们)。为了获得重要性，我们需要使用feature_importance函数，并提供rules.py文件的路径作为参数。

rules = "outputs/rules/rules.py"fi = chef.feature_importance(rules).set_index("feature")fi.plot(kind="barh", title="Feature Importance");

研究结果表明，年龄是预测一个人年收入是否超过5万美元的最重要特征。

最后，我想比较一下chefboost和scikit-learn的速度。当然，后一个库中的决策树需要不同格式的数据，因此我们相应地准备数据。

X_sk = pd.get_dummies(X, drop_first=True)y_sk = X_sk.pop("Decision_>50K")X_train_sk, X_test_sk, y_train_sk, y_test_sk = train_test_split(X_sk, y_sk, test_size=0.2, random_state=42, stratify=y_sk)

我们使用了与之前相同的分割设置，以确保公平的比较。然后，我们使用%time魔法函数来看看训练模型需要多长时间。

%timetree = DecisionTreeClassifier()tree.fit(X_train_sk, y_train_sk)

结果如下：

CPU times: user 1e+03 ns, sys: 0 ns, total: 1e+03 ns Wall time: 3.1 µs

这是相当不同的……我不确定这是什么原因，我打赌创建的if-else树表示。

总结

Chefboost是训练基于树的模型的替代库，

突出的主要特性是对类别特性的支持，以及以嵌套if-else语句的形式输出模型，

与scikit-learn相比，这种训练速度要慢得多，而且要调优的超参数的选择非常有限。

你可以在我的GitHub上找到本文使用的代码。此外，欢迎任何建设性的反馈。你可以在推特上或者评论里联系我。

erykml/medium_articles/blob/master/Machine%20Learning/chefboost.ipynb

作者： Eryk Lewinson