“ XGBoost培训包装器”和“ XGBoost sklearn包装器”中的代码有什么区别？

Question

问题是我在两个模型中收到的分类结果严重不同。

两个包装器的参数都相等。

我猜可能是这个问题： 1）在XGB中，我从简历开始，然后再培训；在SKL中，我从火车开始，并根据培训行为进行简历。 2）在XGB中，我使用Dmatrix，而在SKL中-不。 3）在XGB中，我使用Early_stopping_rounds，但在SKL中则使用-

# XGB wrapper
param = {
...
}

bst_cv = xgb.cv(
...
)

test_auc_mean = bst_cv['test-auc-mean']
best_evaluation = max(test_auc_mean)
best_iteration = test_auc_mean[test_auc_mean == best_evaluation].index[0]

bst = xgb.train(param, 
                dtrain, #Dmatrix which contains X_train, y_train 
                num_boost_round = best_iteration)

bst.predict(dtest) #Dmatrix witch contains X_test

# SKL wrapper
xg_cl = xgb.XGBClassifier(
...
)

xg_cl.fit(X_train, 
          y_train, 
...)

xg_cl.predict_proba(X_test)

结果：

在所有积极因素中，

否定积极因素： XGB_wrapper（进一步-XGB）-12％ Sk_learn_wrapper（进一步-SKL）-16％

所有预测的肯定值中的

false_positives： XGB-20％ SKL-30％

也就是说，SKL模型的效果更差。