xgb.DMatrix中的权重参数与超级参数列表中的scale_pos_weight之间的差异？

Question

我很难理解weight中xgb.DMatrix函数与sum_pos_weight列表中param参数之间的区别。我正在浏览使用希格斯数据的以下code;

由于数据不平衡，作者定义了一个权重参数：

weight <- as.numeric(dtrain[[32]]) * testsize / length(label)

sumwpos <- sum(weight * (label==1.0))
sumwneg <- sum(weight * (label==0.0))

但是第32列已经是weight变量，所以作者正在修改已定义的权重变量？

然后，修改后的weight变量被设置为xgb.DMatrix的“权重”参数：

xgmat <- xgb.DMatrix(data, label = label, weight = weight, missing = -999.0)

此外，在参数列表中，作者具有："scale_pos_weight" = sumwneg / sumwpos,。

因此scale_pos_weight是sumneg的函数，它是weight的函数，它是a previously defined weight (column 32)的函数。所以我很困惑。

1. 作者在以下行中做了什么：weight <- as.numeric(dtrain[[32]]) * testsize / length(label)

2. 在weight和xgb.DMatrix中设置sum_pos_weight有什么区别？

Answer 1

设置

时

xgmat <- xgb.DMatrix(data, label = label, weight = weight, missing = -999.0)

weight应该是与您的数据行相对应的向量

例如，如果您有以下数据：

  A B C
1 1 1 1
2 2 2 2

您需要将weight设置为2个权重的向量

weight <- c(1, 2)

因此，第一项赛事的权重为1，第二项赛事的权重为2。你问自己为什么这么好？假设事件1发生了1次，事件2发生了2次，你想要他们的共同响应权重，特别提到事件发生的时间。

以下是使用权重的更多示例：

1. 如果您希望最近的活动有更多“价值”
2. 您对数据行的信心。您将所有权重设置为0到1之间，权重将表示您对该数据的确定程度。例如，如果权重= 0.88，则表示该行为88％置信度
3. 如果您有重复性事件。而不是创建更多的行，你可以设置一次，并给他们一个权重作为他们重复的数字
当您拥有“不平衡数据”时，通常会使用

scale_pos_weight。例如，假设您有一个分类问题，其中5％的数据为1，95％的数据为0，您希望为每个正“事件”赋予更多权重。所以你可以设置scale_pos_weight = 19（或者作者写的：sumneg/sumpos）

至于“作者”重新定义体重。如果没有完整的代码我不知道他在那里做了什么，但我认为他正在对权重做一些归一化。