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], )})

我可以发图片因为我是新来的，但是我们可以清楚地看到当 X1 =1 且 X2=0 时，Y 为 0，而当 X1=0 且 X2=1 时，Y 为 1。

我的想法是建立一个模型，输出观察值属于每个类别的概率，因此如果我运行 xgboost 尝试预测两个新观察值 (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，它属于每个类别的可能性为 50%。

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适当的 (1,0) 或更接近它的值。

仅供引用，我确实尝试了更多数据(为简单起见，我只使用了 4 行)并且行为几乎相同；我注意到的是，不仅概率总和不为 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倾倒，你会发现它们无法 split 。

(下面的树堆)

没有 split ，它们已被修剪!

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

每个叶子的权重都不足以压倒 xgboost 的内部正则化(惩罚它的增长)

这个参数可能会也可能不会从 python 版本访问，但如果你执行 github 安装，你可以从 R 获取它

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

lambda [default=1] L2 regularization term on weights

alpha [default=0] L1 regularization term on weights

基本上这就是为什么您的示例在添加更多数据时训练得更好，但仅使用 4 个示例和默认设置根本无法训练的原因。