Question

我使用下面的xgboots sklearn界面来创建和训练xgb模型-1。

clf = xgb.XGBClassifier(n_estimators = 100, objective= 'binary:logistic',)
clf.fit(x_train, y_train,  early_stopping_rounds=10, eval_metric="auc", 
    eval_set=[(x_valid, y_valid)])

xgboost模型可以由原始xgboost创建为下面的模型-2：

param = {}
param['objective'] = 'binary:logistic'
param['eval_metric'] = "auc"
num_rounds = 100
xgtrain = xgb.DMatrix(x_train, label=y_train)
xgval = xgb.DMatrix(x_valid, label=y_valid)
watchlist = [(xgtrain, 'train'),(xgval, 'val')]
model = xgb.train(plst, xgtrain, num_rounds, watchlist, early_stopping_rounds=10)

我认为model-1和model-2之间的所有参数都是相同的。但验证分数不同。 model-1和model-2之间有什么区别吗？

Answer 1

据我了解，xgb和sklearn界面中的默认参数之间存在许多差异。例如：默认xgb的eta = 0.3，而另一个的eta = 0.1。您可以在此处查看有关每个工具的默认参数的更多信息：

https://github.com/dmlc/xgboost/blob/master/doc/parameter.md http://xgboost.readthedocs.io/en/latest/python/python_api.html#module-xgboost.sklearn

Answer 2

结果应该相同，因为XGBClassifier只是sklearn的接口，最终会调用xgb库。

您可以尝试向两种方法添加相同的seed以获得相同的结果。例如，在sklearn的界面中：

clf = xgb.XGBClassifier(n_estimators = 100, objective= 'binary:logistic',seed=1234)

Answer 3

就我而言，我为 sklearn 中 XGVRegressor 的 10 提供了 n_esetimators，它代表原始 xgboost 的 num_boost_round，两者都显示相同的结果，但它是线性回归。其他参数默认设置。

#1
param = {
    'objective': 'reg:squarederror'
}
bst = xgb.train(param, dtrain)

#2
sk_xgb = xgb.XGBRegressor(objective="reg:squarederror", n_estimators=10)

# #1 and #2 result same

我的环境是 xgboost 1.3.0 和 conda 4.9.2 上的 scikit-learn 0.24.1。

试试吧。

原始xgboost和sklearn XGBClassifier之间有任何不同

3 个答案: