2

我正在使用BayesSearchCVfromscikit-optimize来优化XGBoost模型以适应我拥有的一些数据。虽然模型很合适，但我对诊断信息中提供的分数感到困惑，无法复制它们。

这是一个使用波士顿房价数据集的示例脚本来说明我的观点：

from sklearn.datasets import load_boston

import numpy as np
import pandas as pd

from xgboost.sklearn import XGBRegressor

from skopt import BayesSearchCV
from skopt.space import Real, Categorical, Integer
from sklearn.model_selection import KFold, train_test_split 

boston = load_boston()

# Dataset info:
print(boston.keys())
print(boston.data.shape)
print(boston.feature_names)
print(boston.DESCR)

# Put data into dataframe and label column headers:

data = pd.DataFrame(boston.data)
data.columns = boston.feature_names

# Add target variable to dataframe

data['PRICE'] = boston.target

# Split into X and y

X, y = data.iloc[:, :-1],data.iloc[:,-1]

# Split into training and validation datasets 

X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42, shuffle = True) 

# For cross-validation, split training data into 5 folds

xgb_kfold = KFold(n_splits = 5,random_state = 42)

# Run fit

xgb_params = {'n_estimators': Integer(10, 3000, 'uniform'),
               'max_depth': Integer(2, 100, 'uniform'),
               'subsample': Real(0.25, 1.0, 'uniform'),
               'learning_rate': Real(0.0001, 0.5, 'uniform'),
               'gamma': Real(0.0001, 1.0, 'uniform'),
               'colsample_bytree': Real(0.0001, 1.0, 'uniform'),
               'colsample_bylevel': Real(0.0001, 1.0, 'uniform'),
               'colsample_bynode': Real(0.0001, 1.0, 'uniform'),
               'min_child_weight': Real(1, 6, 'uniform')}

xgb_fit_params = {'early_stopping_rounds': 15, 'eval_metric': 'mae', 'eval_set': [[X_val, y_val]]}

xgb_pipe = XGBRegressor(random_state = 42,  objective='reg:squarederror', n_jobs = 10)

xgb_cv = BayesSearchCV(xgb_pipe, xgb_params, cv = xgb_kfold, n_iter = 5, n_jobs = 1, random_state = 42, verbose = 4, scoring = None, fit_params = xgb_fit_params)

xgb_cv.fit(X_train, y_train)

运行后， xgb_cv.best_score_为 0.816，xgb_cv.best_index_为 3。查看 xgb_cv.cv_results_，我想找到每个折叠的最佳分数：

print(xgb_cv.cv_results_['split0_test_score'][xgb_cv.best_index_], xgb_cv.cv_results_['split1_test_score'][xgb_cv.best_index_], xgb_cv.cv_results_['split2_test_score'][xgb_cv.best_index_], xgb_cv.cv_results_['split3_test_score'][xgb_cv.best_index_], xgb_cv.cv_results_['split4_test_score'][xgb_cv.best_index_])

这使：

0.8023562337946979,
 0.8337404778903412,
 0.861370681263761,
 0.8749312273014963,
 0.7058815015739375

我不确定这里计算的是什么，因为在我的代码scoring中设置为。NoneXGBoost 的文档没有太大帮助，但根据xgb_cv.best_estimator_.score?它应该是预测值的 R2。无论如何，当我手动尝试计算拟合中使用的数据的每个折叠的分数时，我无法获得这些值：

# First, need to get the actual indices of the data from each fold:

kfold_indexes = {}
kfold_cnt = 0

for train_index, test_index in xgb_kfold.split(X_train):
    kfold_indexes[kfold_cnt] = {'train': train_index, 'test': test_index}
    kfold_cnt = kfold_cnt+1

# Next, calculate the score for each fold   
for p in range(5): print(xgb_cv.best_estimator_.score(X_train.iloc[kfold_indexes[p]['test']], y_train.iloc[kfold_indexes[p]['test']]))

这给了我以下信息：

0.9954929618573786
0.994844803666101
0.9963108152027245
0.9962274544089832
0.9931314653538819

BayesSearchCV 如何计算每个折叠的分数，为什么我不能使用该score函数复制它们？对于此问题的任何帮助，我将不胜感激。

（此外，手动计算这些分数的平均值给出：0.8156560 ...，而xgb_cv.best_score_给出：0.8159277 ...不知道为什么这里有精度差异。）

4

1 回答 1

2

best_estimator_是重新拟合的估计器，在选择超参数后拟合在整个训练集上；因此，在训练集的任何部分对其进行评分都将是乐观的。要重现cv_results_，您需要将估计器重新拟合到每个训练折叠和score相应的测试折叠。

除此之外，XGBoost 似乎确实没有涵盖更多随机性random_state。还有一个参数seed；为我产生一致结果的设置。（这里有一些较旧的帖子（示例）即使使用 set 也报告了类似的问题seed，但也许这些问题已被较新版本的 xgb 解决。）

于 2021-03-23T20:04:09.063 回答