安装与配置 #

┌─────────────────────────────────────────────────────────────┐
│                    XGBoost 安装方式                          │
├─────────────────────────────────────────────────────────────┤
│                                                              │
│  ┌─────────────────┐    ┌─────────────────┐                │
│  │   pip 安装       │    │   conda 安装     │                │
│  │   (推荐)         │    │   (Anaconda)    │                │
│  └─────────────────┘    └─────────────────┘                │
│                                                              │
│  ┌─────────────────┐    ┌─────────────────┐                │
│  │   源码编译       │    │   GPU 版本       │                │
│  │   (开发者)       │    │   (CUDA)        │                │
│  └─────────────────┘    └─────────────────┘                │
│                                                              │
└─────────────────────────────────────────────────────────────┘

# 安装最新稳定版
pip install xgboost

# 安装指定版本
pip install xgboost==2.0.3

# 升级到最新版
pip install --upgrade xgboost

import xgboost as xgb

# 查看版本
print(f"XGBoost 版本: {xgb.__version__}")

# 检查 GPU 支持
try:
    from xgboost import build_info
    print(build_info())
except:
    print("无法获取构建信息")

# 简单测试
import numpy as np
X = np.random.rand(100, 10)
y = np.random.randint(0, 2, 100)
dtrain = xgb.DMatrix(X, label=y)
params = {'objective': 'binary:logistic'}
model = xgb.train(params, dtrain, num_boost_round=10)
print("XGBoost 安装成功！")

# 安装常用依赖
pip install numpy scipy pandas scikit-learn

# 安装可视化依赖
pip install matplotlib graphviz

# 安装 XGBoost
conda install -c conda-forge xgboost

# 安装指定版本
conda install -c conda-forge xgboost=2.0.3

# 创建新环境并安装
conda create -n xgboost_env python=3.10
conda activate xgboost_env
conda install -c conda-forge xgboost

# 查看已安装的 XGBoost 信息
conda list xgboost

# 查看安装位置
conda list | grep xgboost

# pip 安装 GPU 版本（自动检测 CUDA）
pip install xgboost

# 验证 GPU 支持
python -c "import xgboost as xgb; print(xgb.build_info())"

import xgboost as xgb

# 使用 GPU 训练
params = {
    'tree_method': 'hist',    # GPU 加速的直方图算法
    'device': 'cuda',         # 使用 CUDA
    'objective': 'binary:logistic'
}

# 或者使用 'gpu_hist'（旧版本）
params = {
    'tree_method': 'gpu_hist',
    'objective': 'binary:logistic'
}

# 检查 CUDA 是否安装
nvidia-smi

# 检查 CUDA 版本
nvcc --version

# 设置 CUDA 路径（如果需要）
export CUDA_HOME=/usr/local/cuda
export LD_LIBRARY_PATH=$CUDA_HOME/lib64:$LD_LIBRARY_PATH

# 安装依赖
sudo apt-get update
sudo apt-get install -y git cmake build-essential

# 克隆仓库
git clone --recursive https://github.com/dmlc/xgboost
cd xgboost

# 创建构建目录
mkdir build
cd build

# 配置和编译
cmake ..
make -j$(nproc)

# 安装 Python 绑定
cd ../python-package
pip install -e .

# 安装依赖
brew install cmake libomp

# 克隆仓库
git clone --recursive https://github.com/dmlc/xgboost
cd xgboost

# 创建构建目录
mkdir build
cd build

# 配置和编译
cmake ..
make -j$(sysctl -n hw.ncpu)

# 安装 Python 绑定
cd ../python-package
pip install -e .

# 安装依赖
# 1. 安装 Visual Studio 2019+ (包含 C++ 工具)
# 2. 安装 CMake

# 克隆仓库
git clone --recursive https://github.com/dmlc/xgboost
cd xgboost

# 创建构建目录
mkdir build
cd build

# 配置和编译
cmake .. -G"Visual Studio 16 2019"
cmake --build . --config Release

# 安装 Python 绑定
cd ..\python-package
pip install -e .

# 安装 Jupyter
pip install jupyter

# 安装 XGBoost 和常用库
pip install xgboost pandas numpy scikit-learn matplotlib

# 启动 Jupyter
jupyter notebook

// .vscode/settings.json
{
    "python.linting.enabled": true,
    "python.linting.pylintEnabled": true,
    "python.formatting.provider": "black",
    "python.analysis.typeCheckingMode": "basic"
}

# macOS
brew install graphviz

# Ubuntu/Debian
sudo apt-get install graphviz

# Windows
# 下载安装包：https://graphviz.org/download/
# 并添加到 PATH 环境变量

# Python 绑定
pip install graphviz

import xgboost as xgb
import matplotlib.pyplot as plt

# 创建示例数据
from sklearn.datasets import load_breast_cancer
data = load_breast_cancer()
X, y = data.data, data.target

# 训练模型
dtrain = xgb.DMatrix(X, label=y)
params = {'objective': 'binary:logistic', 'max_depth': 3}
model = xgb.train(params, dtrain, num_boost_round=10)

# 绘制树
xgb.plot_tree(model, num_trees=0)
plt.show()

# 绘制特征重要性
xgb.plot_importance(model)
plt.show()

# 使用 venv
python -m venv xgboost_env
source xgboost_env/bin/activate  # Linux/macOS
# 或
xgboost_env\Scripts\activate  # Windows

pip install xgboost

# 使用 conda
conda create -n xgboost_env python=3.10
conda activate xgboost_env
conda install -c conda-forge xgboost

# requirements.txt
xgboost>=2.0.0
numpy>=1.21.0
scipy>=1.7.0
pandas>=1.3.0
scikit-learn>=1.0.0
matplotlib>=3.5.0

# 安装依赖
pip install -r requirements.txt

# 错误信息示例
# ERROR: Failed building wheel for xgboost

# 解决方案
# 1. 升级 pip
pip install --upgrade pip setuptools wheel

# 2. 安装编译依赖
# Linux
sudo apt-get install python3-dev

# macOS
xcode-select --install

# 3. 使用预编译包
pip install --prefer-binary xgboost

# 错误信息
# ImportError: libxgboost.so: cannot open shared object file

# 解决方案
# 1. 检查安装
pip show xgboost

# 2. 重新安装
pip uninstall xgboost
pip install xgboost

# 3. 检查库路径
import xgboost
print(xgboost.__file__)

# 错误信息
# XGBoostError: GPU not detected

# 解决方案
# 1. 检查 CUDA
!nvidia-smi

# 2. 检查 XGBoost 构建信息
import xgboost as xgb
print(xgb.build_info())

# 3. 使用正确的参数
params = {
    'tree_method': 'hist',
    'device': 'cuda:0'  # 指定 GPU 设备
}

# 解决方案：使用外部内存
dtrain = xgb.DMatrix(
    'data.csv?format=csv',
    label=y_train
)

# 或使用分块加载
dtrain = xgb.DMatrix(
    'data.txt',
    feature_names=feature_names
)

import sys

def check_xgboost_installation():
    print("=" * 50)
    print("XGBoost 安装检查")
    print("=" * 50)
    
    # 1. 检查 Python 版本
    print(f"\n1. Python 版本: {sys.version}")
    
    # 2. 检查 XGBoost 版本
    try:
        import xgboost as xgb
        print(f"2. XGBoost 版本: {xgb.__version__}")
    except ImportError:
        print("2. XGBoost 未安装！")
        return
    
    # 3. 检查构建信息
    try:
        info = xgb.build_info()
        print(f"3. 构建信息:")
        for key, value in info.items():
            print(f"   - {key}: {value}")
    except:
        print("3. 无法获取构建信息")
    
    # 4. 检查依赖
    dependencies = ['numpy', 'scipy', 'pandas', 'sklearn']
    print("\n4. 依赖检查:")
    for dep in dependencies:
        try:
            module = __import__(dep)
            version = getattr(module, '__version__', 'unknown')
            print(f"   - {dep}: {version} ✓")
        except ImportError:
            print(f"   - {dep}: 未安装 ✗")
    
    # 5. 运行简单测试
    print("\n5. 运行测试:")
    try:
        import numpy as np
        X = np.random.rand(100, 10)
        y = np.random.randint(0, 2, 100)
        dtrain = xgb.DMatrix(X, label=y)
        params = {'objective': 'binary:logistic'}
        model = xgb.train(params, dtrain, num_boost_round=10)
        print("   - 模型训练: 成功 ✓")
    except Exception as e:
        print(f"   - 模型训练: 失败 ✗ ({e})")
    
    # 6. 检查 GPU
    print("\n6. GPU 检查:")
    try:
        params = {'tree_method': 'hist', 'device': 'cuda'}
        model = xgb.train(params, dtrain, num_boost_round=2)
        print("   - GPU 支持: 可用 ✓")
    except:
        print("   - GPU 支持: 不可用 ✗")
    
    print("\n" + "=" * 50)
    print("检查完成！")
    print("=" * 50)

if __name__ == "__main__":
    check_xgboost_installation()