Question

这个评估模型函数经常使用，我发现它在IBM使用here。但我会在这里显示功能：

def evaluate_model(alg, train, target, predictors, useTrainCV=True , cv_folds=5, early_stopping_rounds=50):

    if useTrainCV:
        xgb_param = alg.get_xgb_params()
        xgtrain = xgb.DMatrix(train[predictors].values, target['Default Flag'].values)
        cvresult = xgb.cv(xgb_param, xgtrain, num_boost_round=alg.get_params()['n_estimators'], nfold=cv_folds,
            metrics='auc', early_stopping_rounds=early_stopping_rounds, verbose_eval=True)
        alg.set_params(n_estimators=cvresult.shape[0])

    #Fit the algorithm on the data
    alg.fit(train[predictors], target['Default Flag'], eval_metric='auc')

    #Predict training set:
    dtrain_predictions = alg.predict(train[predictors])
    dtrain_predprob = alg.predict_proba(train[predictors])[:,1]

    #Print model report:
    print("\nModel Report")
    print("Accuracy : %.6g" % metrics.accuracy_score(target['Default Flag'].values, dtrain_predictions))
    print("AUC Score (Train): %f" % metrics.roc_auc_score(target['Default Flag'], dtrain_predprob))  
    plt.figure(figsize=(12,12))
    feat_imp = pd.Series(alg.get_booster().get_fscore()).sort_values(ascending=False)
    feat_imp.plot(kind='bar', title='Feature Importance', color='g')
    plt.ylabel('Feature Importance Score')
    plt.show()

调整XGboost的参数后，我有

xgb4 = XGBClassifier(
    objective="binary:logistic", 
    learning_rate=0.10,  
    n_esimators=5000,
    max_depth=6,
    min_child_weight=1,
    gamma=0.1,
    subsample=0.8,
    colsample_bytree=0.8,
    reg_alpha=0.1,
    nthread=4,
    scale_pos_weight=1.0,
    seed=27)
features = [x for x in X_train.columns if x not in ['Default Flag','ID']]
evaluate_model(xgb4, X_train, y_train, features)

我得到的结果是

Model Report
Accuracy : 0.803236
AUC Score (Train): 0.856995

我有一个问题，也许是不为所知的问题是，此evaulate_model()函数未在我发现奇怪的数据的测试集上进行测试。当我在测试集（evaluate_model(xgb4, X_test, y_test, features)）上调用它时，我得到了

Model Report
Accuracy : 0.873706
AUC Score (Train): 0.965286

考虑到测试集比培训集具有更高的准确性，我想知道这两个模型报告是否完全相关。如果这个问题的结构不好，我深表歉意。

Answer 1

我将进一步回答我的问题：

此函数训练您提供的数据集，并返回训练精度和AUC：因此，这不是评估模型的可靠方法。

在您提供的链接中，据说该函数用于调整估计量：

下面的功能执行以下操作以找到最佳的   可用于数据的增强树数量：


使用数据特征训练XGBoost模型。

使用准确性和AUC得分作为评估指标，对模型执行k倍交叉验证。

在每个提升回合中返回输出，因此您可以查看模型的学习方式。您将在下一个中查看详细的输出
  部分。

在交叉验证得分没有明显提高（通过额外的回合回合）后，它将停止运行，为您提供   模型的最佳估计量。

您不应使用它来评估模型性能，而应执行干净的交叉验证。

在这种情况下，您的测试分数较高，因为您的测试集较小，因此模型更容易过拟合。

XGBoost算法，有关evaulate_model函数的问题

1 个答案: