如何更改XGboost中的损耗矩阵（在R中）？

Question

我想将假阳性成本高于假阴性的二元变量分类。

在rpart包中，我们使用损失矩阵，将parms = list(loss=matrix(c(0,1,5,0),nrow=2))添加为错误分类反面示例的成本，因为正数比将正面示例错误分类为负数的成本高5倍。

如何使用XGboost执行此操作？

Answer 1

您在寻找scale_pos_weight参数吗？

https://github.com/dmlc/xgboost/blob/master/doc/parameter.md

  

scale_pos_weight，[default = 1]控制正和平衡   负权重，对非平衡类有用。一个典型的价值   考虑：sum（负数情况）/ sum（正数情况）参见参数   调整更多讨论。另见Higgs Kaggle比赛演示   例子：R，py1，py2，py3

你可以使用它：

clf = xgb.XGBRegressor(objective='binary:logistic', 
                       scale_pos_weight= 5,
                       max_depth=3,
                       n_estimators=100)

在python中，sklearn api。

Answer 2

假设您使用的是xgboost包，您可以使用watchlist参数。它是xgb.DMatrix的列表，每个列表都标有名称。您可以使用eval.metric参数，也允许多个评估矩阵。

watchlist <- list(train=dtrain, test=dtest)

bst <- xgb.train(data=dtrain, max.depth=2, eta=1, nthread = 2,
eval.metric = "error", eval.metric = "logloss", nround=2,
watchlist=watchlist, objective = "binary:logistic")

如果xgboost github pages中的大量列表不足以满足您的需要，那么就像他们所说的那样，您可以生成自己的矩阵，例如假阳性和假阴性的加权和，其中假阳性加权五倍以上假阴性。