我正在使用Airbnb的数据,在Kaggle上提供here,并预测用户将使用XGBoost模型和R中的近600个功能预订他们的第一次旅行。运行算法通过50轮5次交叉验证,每次获得100%的准确率。在将模型拟合到训练数据并预测保持的测试集之后,我也获得了100%的准确度。这些结果不可能是真实的。我的代码肯定有问题,但到目前为止我还没有弄清楚。我在下面的代码中包含了一部分代码。它基于article。继文章(使用文章的数据+复制代码)之后,我收到了类似的结果。无论如何将其应用于Airbnb的数据,我始终可以获得100%的准确率。我不知道发生了什么事。我是否错误地使用了xgboost包?感谢您的帮助和时间。
# set up the data
# train is the data frame of features with the target variable to predict
full_variables <- data.matrix(train[,-1]) # country_destination removed
full_label <- as.numeric(train$country_destination) - 1
# training data
train_index <- caret::createDataPartition(y = train$country_destination, p = 0.70, list = FALSE)
train_data <- full_variables[train_index, ]
train_label <- full_label[train_index[,1]]
train_matrix <- xgb.DMatrix(data = train_data, label = train_label)
# test data
test_data <- full_variables[-train_index, ]
test_label <- full_label[-train_index[,1]]
test_matrix <- xgb.DMatrix(data = test_data, label = test_label)
# 5-fold CV
params <- list("objective" = "multi:softprob",
"num_class" = classes,
eta = 0.3,
max_depth = 6)
cv_model <- xgb.cv(params = params,
data = train_matrix,
nrounds = 50,
nfold = 5,
early_stop_round = 1,
verbose = F,
maximize = T,
prediction = T)
# out of fold predictions
out_of_fold_p <- data.frame(cv_model$pred) %>% mutate(max_prob = max.col(., ties.method = "last"),label = train_label + 1)
head(out_of_fold_p)
# confusion matrix
confusionMatrix(factor(out_of_fold_p$label),
factor(out_of_fold_p$max_prob),
mode = "everything")
我可以通过运行以下代码找到我用于此目的的数据样本:
library(RCurl)
x < getURL("https://raw.githubusercontent.com/loshita/Senior_project/master/train.csv")
y <- read.csv(text = x)
答案 0 :(得分:6)
如果你正在使用kaggle上提供的let default = {
name: '',
age: ''
}
this.state = {
values: Array(2).fill(default)
}
updateName (event) {
let index = event.target.id,
values = this.state.values;
values[index].name = event.target.value;
this.setState ({
values: values
});
}
,那么问题是你没有从列车数据集中删除train_users_2.csv.zip
,因为它位于country_destination
而不是{{1 }}
16
1
为which(colnames(train) == "country_destination")
#output
16
,对于每次观察都是唯一的,也应该被删除。
1
当我使用以下修改运行代码时:
id
在使用上述设置进行交叉验证0.12时,我获得了测试错误。
length(unique(train[,1)) == nrow(train)
#output
TRUE
总而言之,您没有从full_variables <- data.matrix(train[,-c(1, 16)])
library(xgboost)
params <- list("objective" = "multi:softprob",
"num_class" = length(unique(train_label)),
eta = 0.3,
max_depth = 6)
cv_model <- xgb.cv(params = params,
data = train_matrix,
nrounds = 50,
nfold = 5,
early_stop_round = 1,
verbose = T,
maximize = T,
prediction = T)
中移除out_of_fold_p <- data.frame(cv_model$pred) %>% mutate(max_prob = max.col(., ties.method = "last"),label = train_label + 1)
head(out_of_fold_p[,13:14], 20)
#output
max_prob label
1 8 8
2 12 12
3 12 10
4 12 12
5 12 12
6 12 12
7 12 12
8 12 12
9 8 8
10 12 5
11 12 2
12 2 12
13 12 12
14 12 12
15 12 12
16 8 8
17 8 8
18 12 5
19 8 8
20 12 12
。
y
此模型在测试集上也具有100%的准确度:
x
现在让我们检查哪些功能具有歧视性:
model <- xgboost(params = params,
data = train_matrix,
nrounds = 50,
verbose = T,
maximize = T)
现在如果你只使用以下功能运行xgb.cv:
pred <- predict(model, test_matrix)
pred <- matrix(pred, ncol=length(unique(train_label)), byrow = TRUE)
out_of_fold_p <- data.frame(pred) %>% mutate(max_prob = max.col(., ties.method = "last"),label = test_label + 1)
sum(out_of_fold_p$max_prob != out_of_fold_p$label) #0 errors
您还可以在测试折叠上获得100%的准确度
原因部分在于班级的非常大的失衡:
xgb.plot.importance(importance_matrix = xgb.importance(colnames(train_matrix), model))
以及通过1个虚拟变量很容易区分次要类的事实:
train_matrix <- xgb.DMatrix(data = train_data[,which(colnames(train_data) %in% xgboost::xgb.importance(colnames(train_matrix), model)$Feature)], label = train_label)
set.seed(1)
cv_model <- xgb.cv(params = params,
data = train_matrix,
nrounds = 50,
nfold = 5,
early_stop_round = 1,
verbose = T,
maximize = T,
prediction = T)
基于22个最重要特征中0/1的分布,它看起来对任何树模型都能够达到非常好的准确度,如果不是100%准确的话。
人们会认为0级和10级对于5倍CV会有问题,因为所有受试者都有可能落入一次,所以模型至少在那种情况下不会知道它们。如果通过随机抽样设计CV,那将是可能的。 xgb.cv不会发生这种情况:
table(train_label)
train_label
0 1 2 3 4 5 6 7 8 9 10 11
3 10 12 13 36 16 19 856 7 73 3 451