0

我完全承认这可能只是我误解了它的工作原理；

我使用了 multi:softprob 方法，因为这是我认为适合我的数据的方法：

[13355 rows x 6 columns]

["Accident_Severity", "Number_of_Vehicles", "Number_of_Casualties", "Speed_limit", "Urban_or_Rural_Area", "Year"]

每列都是数字。有些只是一个含义的占位符，例如事故严重程度范围从 1 到 5，而速度限制是根据发生事故的道路的速度限制（6 个唯一）的字面 MPH。因此，除了车辆数量和伤亡人数之外，大多数都是离散的。

当我测试使用什么分类器时，它也提出了 multi:softprob 。

model = XGBClassifier()
model.fit(x_train, y_train)
print(model.objective)

因此，当我运行它时，由于 xgb.plot_tree 函数，我可以看到图表，并且我注意到它使用笨拙的指标来进行下一步。

例如 1.5 人伤亡，这在现实中是不可能的，也不应该在数据中出现？如-我的思考过程是它应该认为<5伤亡，<4车辆？

或者这是正常的吗？

这是一个示例模型

# Creating split for training and testing
x_train, x_test, y_train, y_test = train_test_split(glasgow_x, glasgow_y, test_size=0.3)
D_train = xgb.DMatrix(x_train, label=y_train)
D_test = xgb.DMatrix(x_test, label=y_test)

'''ASCERTAINING WHICH CLASSIFIER TO USE:'''
model = XGBClassifier()
model.fit(x_train, y_train)
print(model.objective)

'''MULTI:SOFTPROB'''

param = {
    'eta': 0.1,
    'max_depth': 3,
    'objective': 'multi:softprob',
    'num_class': 4}

steps = 20

'''XGBoost:'''

xg_class = xgb.train(param, D_train, steps)
preds = xg_class.predict(D_test)
best_preds = np.asarray([np.argmax(line) for line in preds])
precision = precision_score(y_test, best_preds, average='macro')
recall = recall_score(y_test, best_preds, average='macro')
accuracy = accuracy_score(y_test, best_preds)
print(str(f"Precision:{precision:.2f}"))
print(str(f"Recall:{recall:.2f}"))
print(str(f"Accuracy:{accuracy:.2f}"))

xgb.plot_tree(model,num_trees=3,rankdir='LR')
plt.show()
4

0 回答 0