xgboost

    1熱度

    3回答

    我試圖使用caret包中的train函數來適合xgbTree模型。 編輯:下面是一個示例數據集,使示例可重現。我也轉換所有變量數值的建議: df<-data.frame( x1=c(-231,5,-166,-158,170,-243,-184,25,-130,-209,453,-46,-13,-247,-74,-209,-130,-118,10,40), x2=c(2,48,6,7,24,2,5

    1熱度

    1回答

    我有許多樹的xgboost.dump文本文件。 我想查找所有路徑以獲取每個路徑的值。 這是一棵樹。 tree[0]: 0:[a<0.966398] yes=1,no=2,missing=1 1:[b<0.323071] yes=3,no=4,missing=3 3:[c<0.461248] yes=7,no=8,missing=7 7:leaf=0.00972

    0熱度

    1回答

    當我使用count:poisson而不是rmse時,我看到的值爲nloglikelihood。現在我不確定如何將這些數字與rmse或mae進行比較。 肯定會更好的價值..但沒有得到實際的錯誤直覺,我們與rmse或湄獲得。 例如 - >train-poisson-nloglik:2.01885 val-poisson-nloglik:2.02898 在這裏,我們可以說,實際值由2.02錯誤不同。 有

    0熱度

    1回答

    當在Mac上運行以下代碼時出現無模塊,名稱爲'xgboost.sklearn'。另外,嘗試將xgboost.sklearn更改爲xgboost。這給了錯誤:無法導入名稱 'XGBClassifier' 從xgboost.sklearn進口XGBClassifier

    3熱度

    1回答

    我正在嘗試使用scickit-learn的GridSearchCV在XGBoost上進行hyperparemeter搜索。在網格搜索期間,我希望它儘早停止,因爲它大大縮短了搜索時間,並且(期望)在我的預測/迴歸任務上有更好的結果。我通過Scikit-Learn API使用XGBoost。 model = xgb.XGBRegressor() GridSearchCV(model, par

    2熱度

    2回答

    我使用scikit-learn構建了一個XGBoost模型,我對此非常滿意。作爲微調,以避免過度配合,我想確保一些功能的單調性,但在那裏我開始面臨一些困難... 據我瞭解,在scikit-learn中沒有關於xgboost的文檔(其中I承認我真的很驚訝 - 知道這種情況持續數月)。我發現的唯一文檔是直接在http://xgboost.readthedocs.io 在這個網站上,我發現單調性可以使用

    2熱度

    2回答

    我需要在我的Java項目中使用xgboost4j package。安裝說明說我必須使用Maven,但我的項目是一個與Maven無關的簡單Java項目。 我使用「mvn install」構建了這個包。有沒有辦法找到JAR文件,以便我可以在我的Java項目中使用它?

    1熱度

    1回答

    我想安裝Xgboost庫。 問題是我在防火牆後面的虛擬機上無法訪問(公司計算機)。我有從github下載的Xgboost庫。 然後我試圖通過Pycharm項目解釋器手動添加路徑,因此我沒有檢測到任何導入錯誤,自動完成甚至正常工作,但是當我嘗試運行代碼時,出現此錯誤: 回溯(最近通話最後一個): 文件 「C:/Users/UT2BUP/PycharmProjects/AccountingAdjust

    0熱度

    1回答

    對於下面的函數,我沒有得到估計的數量作爲輸出,但相反,我得到了以下類型的錯誤。 cv() got an unexpected keyword argument 'show_progress' 即使文檔包含標誌,我得到的類型錯誤。我正在關注這個博客進行參數調整。任何人都可以指出我哪裏錯了? the blog 有沒有其他方法可以將估計量的數量作爲輸出? def modelfit(alg, dtra

    1熱度

    1回答

    我使用Python 3.5和Python實現XGBoost的,0.6版本 我建在Python中,其中迭代構建的功能的最佳設置轉發功能選擇例程(導致最好的分數,這裏的度量是二元分類錯誤)。 在我的數據集,使用xgb.cv程序,我可以通過增加(樹木)MAX_DEPTH高達40獲得降低至大約0.21的錯誤率... 不過,如果我做一個自定義交叉驗證,使用相同的XG Boost參數,相同的摺疊,相同的度量和