python - xgboost 二元逻辑回归

Question

我在使用 xgboost 运行逻辑回归时遇到问题，可以在以下示例中进行总结。

假设我有一个非常简单的数据框，其中包含两个预测变量和一个目标变量：

df= pd.DataFrame({'X1' : pd.Series([1,0,0,1]), 'X2' : pd.Series([0,1,1,0]), 'Y' : pd.Series([0,1,1,0], )})

我可以发布图片，因为我是新来的，但是我们可以清楚地看到当 X1 =1 和 X2=0 时，Y 为 0，当 X1=0 和 X2=1 时，Y 为 1。

我的想法是建立一个模型，输出观察属于每个类的概率，所以如果我运行 xgboost 试图预测两个新的观察 (1,0) 和 (0,1)，如下所示：

X = df[['X1','X2']].values            
y = df['Y'].values

params  = {'objective': 'binary:logistic',
          'num_class': 2
          } 

clf1 = xgb.train(params=params, dtrain=xgb.DMatrix(X, y), num_boost_round=100)                    
clf1.predict(xgb.DMatrix(test.values)) 

输出是：

array([[ 0.5,  0.5],
       [ 0.5,  0.5]], dtype=float32)

我想，这意味着对于第一次观察，它有 50% 的机会属于每个类别。

我想知道如果变量之间的关系很清楚，为什么算法不会输出正确的 (1,0) 或更接近的值。

仅供参考，我确实尝试了更多数据（为了简单起见，我只使用了 4 行）并且行为几乎相同；我注意到的是，不仅概率总和不等于 1，而且它们通常非常小，如下所示：（此结果在不同的数据集上，与上面的示例无关）

array([[ 0.00356463,  0.00277259],
       [ 0.00315137,  0.00268578],
       [ 0.00453343,  0.00157113],

Answer 1

好的 - 这就是正在发生的事情..

关于它为什么不起作用的线索在于，在较小的数据集中它无法正确训练。我训练了这个精确的模型并观察了所有树木的转储，你会发现它们不能分裂。

（下面的树堆）

没有分裂，它们已被修剪！

[1] "booster[0]" "0:leaf=-0" "booster[1]" "0:leaf=-0" "booster[2]" "0:leaf=-0" [7] "booster[3]" "0:leaf=-0" "booster[4]" "0:leaf=-0" "booster[5]" "0:leaf=-0" [13] "booster[6]" "0:leaf=-0" "booster[7]" "0:leaf=-0" "booster[8]" "0:leaf=-0" [19] "booster[9]" "0:leaf=-0"

每个叶子都没有足够的权重来压倒 xgboost的内部正则化（这会惩罚它的生长）

这个参数可能会或可能不会从 python 版本访问，但R如果你执行 github 安装，你可以从中获取它

http://xgboost.readthedocs.org/en/latest/parameter.html

lambda [default=1] 权重的 L2 正则化项

alpha [default=0] 权重的 L1 正则化项

基本上这就是为什么当您添加更多数据时您的示例训练得更好，但根本无法仅使用 4 个示例和默认设置进行训练。