在windows64位Anaconda3环境下安装XGBoost

安装步骤参考的是：

“Installing XGBoost For Anaconda on Windows”：https://www.ibm.com/developerworks/community/blogs/jfp/entry/Installing_XGBoost_For_Anaconda_on_Windows?lang=zh

---

 一、安装前的准备

In order to install and use XGBoost with Python you need three software on your windows machine:

• A Python installation such as Anaconda.
• Git下载
• MINGW

---

具体实现：

（1）选用Anaconda3的Python3.X版本，然后下载 Git并安装好。

（2）在C:\Users\Administrator路径下创建XGBoost文件夹，在此文件下右击鼠标菜单选择Git Bash

（3）Then download XGBoost by typing the following commands.

$ git clone --recursive https://github.com/dmlc/xgboost
$ cd xgboost
$ git submodule init
$ git submodule update

（4）安装 MinGW-W64下载地址

（5）点击Next后选择 x86_64这项，其他选项不要改：

默认安装地址：

C:\Program Files\mingw-w64\x86_64-7.2.0-posix-seh-rt_v5-rev1

（6）将Git和mingw32-make所在路径分别添加到系统环境变量中：

E:\program Files\Git\cmd
C:\Program Files\mingw-w64\x86_64-7.2.0-posix-seh-rt_v5-rev1\mingw64\bin

（7）关掉Git Bash终端并重新打开，检查环境变量是否添加成功：

$ which mingw32-make

（8）成功的话应该是输出这样的：

（9）为了简便起见，更改下名称：

$ alias make='mingw32-make'

---

二、接下来开始搭建XGBoost

（1）在xgboost路径下运行Git Bash

（2）分别输入以下命令：

每次命令输入成功后再进行下一个命令。如果不成功，用Git命令里面多重复几次。
$ cd dmlc-core
$ make -j4
$ cd ../rabit
$ make lib/librabit_empty.a -j4
$ cd ..
$ cp make/mingw64.mk config.mk
$ make -j4

...

...

直到最后命令完成后，Build成功，关闭Git Bash。

（3）接下来安装Python模块

我们用Anaconda Prompt终端执行分别如下命令：

 cd XGBoost\xgboost\python-package
 python setup.py install

注：我有两台电脑，两台安装都是在Anaconda Prompt终端输入，如果是用win+R系统自己的cmd输入，我发现总是失败
（更新：后来发现cmd可以了，而且在执行完前面两个命令后，在cmd中输入pip install xgboost就可以正常使用xgboost了，且直接import xgboost as xgb就行，省略了后面涉及的import os,mingw_path3,os.environ这3条命令）。

以下为具体：

---

三、 现在可以正常使用XGBoost了

（1）在jupyter notebook （在IPython中进行也可以）中依次输入：

 import os
 mingw_path = 'C:\\Program Files\\mingw-w64\\x86_64-7.2.0-posix-seh-rt_v5-rev1\\mingw64\\bin'
 os.environ['PATH'] = mingw_path + ';' + os.environ['PATH']    

成功运行的例子：

 import xgboost as xgb
 import numpy as np

 data = np.random.rand(5,10) # 5 entities, each contains 10 features
 label = np.random.randint(2, size=5) # binary target
 dtrain = xgb.DMatrix( data, label=label)

 dtest = dtrain

 param = {'bst:max_depth':2, 'bst:eta':1, 'silent':1, 'objective':'binary:logistic' }
 param['nthread'] = 4
 param['eval_metric'] = 'auc'

 evallist  = [(dtest,'eval'), (dtrain,'train')]

 num_round = 10
 bst = xgb.train( param, dtrain, num_round, evallist )

 bst.dump_model('dump.raw.txt')

输出：

[0]    eval-auc:0.5    train-auc:0.5
[1]    eval-auc:0.5    train-auc:0.5
[2]    eval-auc:0.5    train-auc:0.5
[3]    eval-auc:0.5    train-auc:0.5
[4]    eval-auc:0.5    train-auc:0.5
[5]    eval-auc:0.5    train-auc:0.5
[6]    eval-auc:0.5    train-auc:0.5
[7]    eval-auc:0.5    train-auc:0.5
[8]    eval-auc:0.5    train-auc:0.5
[9]    eval-auc:0.5    train-auc:0.5

（2）用IPython同样可以：

你看，都成功了！