从sklearn-style API of XGBClassifier，我们可以提供早期停止的评估示例。
eval_set （列表，可选） - 用作“X，y”对的列表 早期停止的验证集
但是，格式只提到了一对功能和标签。因此，如果文档准确无误，则无法为这些评估示例提供权重。
我错过了什么吗？
如果在sklearn风格中无法实现，是否支持原始（即非sklearn）XGBClassifier API？一个简短的例子会很好，因为我从未使用过那个版本的API。
答案 0 :(得分：1)
编辑 - 评论中的每次对话更新
鉴于您有一个目标变量代表实值增益/损失值，您希望将其归类为＆＃34;增益＆＃34;或者＆＃34;损失＆＃34;，并且您希望确保分类器的验证集权衡最大的绝对值增益/损失，这里有两种可能的方法：
创建一个自定义分类器，它只是XGBoostRegressor提供给一个阈值，其中实值回归预测转换为1/0或＆＃34;增益＆＃34; /＆＃34;损失＆＃34;分类。此分类器的.fit（）方法只调用xgbregressor的.fit（），而此分类器的.predict（）方法将调用回归量的.predict（），然后返回阈值类别预测。
< / LI>你提到你想尝试加权验证集中记录的处理，但xgboost中没有这个选项。实现此方法的方法是实现自定义eval-metric。但是，您指出eval_metric必须能够一次返回单个标签/预测记录的分数，因此它不能接受所有行值并在eval指标中执行加权。您在评论中提到的解决方案是＆＃34;创建一个可调用的，它具有对所有验证示例的引用，将索引（而不是标签和分数）传递到eval_set，使用索引从内部获取标签和分数每个验证示例的可调用和返回指标。＆＃34;这也应该有效。
我倾向于选择选项1更直接，但尝试两种不同的方法并比较结果通常是一个好主意，如果你有时间，所以对这些结果感兴趣。
答案 1 :(得分：0)
截至几周前，fit方法有一个新参数sample_weight_eval_set，您可以执行此操作。它采用权重变量的列表，即每个评估集一个。我认为此功能尚未使其成为稳定版本，但是如果您从源代码编译xgboost，则现在可以使用。