使用整个数据集时，为什么xgboost会为要素生成相同的预测和nan值？

Question

摘要

我正在使用Python v3.7和xgboost v0.81。从2015年到2019年，我每个星期都有美国州的连续数据（y）。我正在尝试将以下功能回归到y：年，月，周，地区（已编码）。我将火车设置为2018年8月及之前，测试时间为2018年9月及以后。当我以这种方式训练模型时，会发生两件事：

• feature_importances都是nan
• 预测都相同（0.5、0.5 ....）

我尝试过的

将任何功能都固定到单个变量可以使模型进行适当的训练，并且先前遇到的两个奇怪的问题都消失了。例如年== 2017或地区== 28

代码

（我知道这是一个时间问题，但这种一般情况也存在该问题）

X = df[['year', 'month', 'week', 'region_encoded']]
display(X)
y = df.target
display(y)
X_train, X_test, y_train, y_test = train_test_split(X.values, y.values, test_size=0.1)

model = XGBRegressor(n_jobs=-1, n_estimators=1000).fit(X_train, y_train)

display(model.predict(X_test)[:20])

display(model.feature_importances_)

结果-一些预测和特征重要性

year    month   week    region_encoded
0   2015    10  40  0
1   2015    10  40  1
2   2015    10  40  2
3   2015    10  40  3
4   2015    10  40  4

0    272.0
1     10.0
2    290.0
3     46.0
4    558.0
Name: target, dtype: float64

array([0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5], dtype=float32)

array([nan, nan, nan, nan], dtype=float32)

Answer 1

如果目标变量中只有NaN，即使只有一个，也足以打破许多机器学习算法。这通常是因为在许多ML算法（例如计算派生类）的更新步骤中，目标变量中存在未处理的NaN时，NaN会传播。虽然，我不能过多地说明XGBoost的哪个步骤。

例如，线性回归的解析解。

import numpy as np
import numpy.linalg as la
from scipy import stats

y = np.array([0, 1, 2, 3, np.nan, 5, 6, 7, 8, 9])
x = stats.norm().rvs((len(y), 3))

# Main effects estimate
m_hat = la.inv(x.T @ x) @ x.T @ y
>>> [nan nan nan]