Xgboost中的自定义目标函数，梯度和粗麻布

Question

我正在研究百分比变化的回归问题，我想同时减小数值误差和变化方向的差异，即额外的惩罚将应用于0.1 vs -0.1，因为预测的百分比变化为负，而实际百分比变化为正。

我想我可以定义一个自定义损失函数，该函数还会惩罚错误的方向，以实现此目标。 （但是欢迎其他可行的方法）。因此，我编写了以下目标函数：

regobj<-function(preds,dtrain){
         labels<-getinfo(dtrain,"label") 
         grad=0.5*(preds-labels)+0.5*((sign(preds)-sign(labels))^2)
         hess = rep(1,length(preds)) # this is just an arbitrary place holder
         return(list(grad = grad, hess = hess))}

然后，我可以在regobj中提供objective作为xgb.train选项来训练模型。

有人可以告诉我渐变grad是否可以这样定义吗？如果我不希望它成为常量，该如何定义hess？现在，使用模拟数据可以正常运行，但是所产生的预测比默认目标函数具有更多的“方向差异”，我不知道为什么。

此外，我很难理解为什么this demo code中的hess被定义为hess <- preds * (1 - preds)。我在github上找到了https://github.com/dmlc/xgboost/issues/15，但我还是不明白。任何帮助说明这一点也将不胜感激！