r - 如何理解R包xgboost中的nfold和nrounds

Question

我正在尝试使用 R 的包 xgboost。但有一点让我感到困惑。在 xgboost 手册中，在 xgb.cv 函数下，它说:

原始样本被随机分成 n 倍大小相等的子样本。

nfold子样本中，保留单个子样本作为模型测试的验证数据，其余nfold-1个子样本作为训练数据。

然后交叉验证过程重复 n 轮次，每个 n 倍子样本仅使用一次作为验证数据。

这是手册中的代码:

data(agaricus.train, package='xgboost')
dtrain <- xgb.DMatrix(agaricus.train$data, label = agaricus.train$label)
cv <- xgb.cv(data = dtrain, nrounds = 3, nthread = 2, nfold = 5, metrics = 
list("rmse","auc"),
max_depth = 3, eta = 1, objective = "binary:logistic")
print(cv)
print(cv, verbose=TRUE)

结果是:

##### xgb.cv 5-folds
call:
  xgb.cv(data = dtrain, nrounds = 3, nfold = 5, metrics = list("rmse", 
    "auc"), nthread = 2, max_depth = 3, eta = 1, objective = "binary:logistic")
params (as set within xgb.cv):
  nthread = "2", max_depth = "3", eta = "1", objective = "binary:logistic", 
eval_metric = "rmse", eval_metric = "auc", silent = "1"
callbacks:
  cb.print.evaluation(period = print_every_n, showsd = showsd)
  cb.evaluation.log()
niter: 3
evaluation_log:
 iter train_rmse_mean train_rmse_std train_auc_mean train_auc_std test_rmse_mean test_rmse_std test_auc_mean test_auc_std
1       0.1623756    0.002693092      0.9871108  1.123550e-03      0.1625222   0.009134128     0.9870954 0.0045008818
2       0.0784902    0.002413883      0.9998370  1.317346e-04      0.0791366   0.004566554     0.9997756 0.0003538184
3       0.0464588    0.005172930      0.9998942  7.315846e-05      0.0478028   0.007763252     0.9998902 0.0001347032

假设 nfold=5 和 nrounds=2。这意味着数据被分成 5 个大小相等的部分。该算法将生成 2 棵树。

我的理解是:每个子样本都要验证一次。当一个子样本被验证时，将生成 2 棵树。因此，我们将有 5 组树(一组有 2 棵树，因为 nrounds=2)。然后我们检查评估指标是否变化很大。

但是结果不这么说。一个 nround 值有一行评估指标，看起来它已经包含了“交叉验证”部分。因此，如果“然后交叉验证过程重复 n 轮次”，那么“n 倍子样本中的每一个都恰好用作验证数据一次”是怎么回事？

Answer 1

这些是在 n 轮中的每一轮运行的 nfold 拟合测试程序得分的均值和标准差 。 XGBoost 交叉验证过程是这样进行的:

1. 数据集 X 被分成 nfold 个子样本，X₁, X₂...X_nfold .
2. XGBoost 算法将增强树拟合到包含 X₁、X₂、...、X_nfold-1 的训练数据集，而最后一个子样本(折叠)X_nfold 被保留为验证¹(样本外)数据集。为训练和验证数据集计算并保留所选的评估指标(RMSE、AUC 等)。
3. 训练数据集中的一个子样本(折叠)现在与验证子样本(折叠)交换，因此训练数据集现在包含 X₁, X₂, . ..，X_nfold-2，X_nfold 和验证(样本外)数据集是 X_nfold-1。该算法再次将提升树拟合到训练数据，计算评估分数(针对每个所选指标)等。
4. 此过程重复 nfold 次，直到每个子样本(fold)都作为训练集的一部分和作为验证集。
5. 现在，添加了另一棵提升树，并重复步骤 2-4 中概述的过程。这一直持续到适合训练数据的增强树总数​​等于nrounds。
6. 现在在nrounds 中，训练集和验证集的每一轮都有nfold 计算的评估分数(乘以所选不同指标的数量)(得分验证集自然会更差)。 nfold 分数的均值和标准差是针对 nrounds 中每一轮的训练集和验证集计算的(乘以所选不同指标的数量)，并在具有 nrounds 行的数据框。

¹ 请注意，我所说的“验证”集在评估日志中被 XGBoost 识别为“测试”集