multiclasse en xgboost (python)

Je ne peux pas comprendre comment passer le nombre de classes ou eval métrique de xgb.XGBClassifier avec le but de la fonction "multi:softmax'.

J'ai regardé beaucoup de documentation, mais les ne parle que de sklearn wrapper qui accepte n_class/num_class.

Mon installation actuelle ressemble

kf = cross_validation.KFold(y_data.shape[0], \
    n_folds=10, shuffle=True, random_state=30)
err = [] # to hold cross val errors
# xgb instance
xgb_model = xgb.XGBClassifier(n_estimators=_params['n_estimators'], \
    max_depth=params['max_depth'], learning_rate=_params['learning_rate'], \
    min_child_weight=_params['min_child_weight'], \
    subsample=_params['subsample'], \
    colsample_bytree=_params['colsample_bytree'], \
    objective='multi:softmax', nthread=4)

# cv
for train_index, test_index in kf:
    xgb_model.fit(x_data[train_index], y_data[train_index], eval_metric='mlogloss')
    predictions = xgb_model.predict(x_data[test_index])
    actuals = y_data[test_index]
    err.append(metrics.accuracy_score(actuals, predictions))

OriginalL'auteur user3804483 | 2016-09-08

  1. 14

    Vous n'avez pas besoin de num_class dans le scikit-learn API pour XGBoost de classification. C'est fait automatiquement lors de la fit est appelé. Regardez xgboost/sklearn.py au début de la fit méthode de XGBClassifier:

        evals_result = {}
    self.classes_ = np.unique(y)
    self.n_classes_ = len(self.classes_)

    xgb_options = self.get_xgb_params()

    if callable(self.objective):
        obj = _objective_decorator(self.objective)
        # Use default value. Is it really not used ?
        xgb_options["objective"] = "binary:logistic"
    else:
        obj = None

    if self.n_classes_ > 2:
        # Switch to using a multiclass objective in the underlying XGB instance
        xgb_options["objective"] = "multi:softprob"
        xgb_options['num_class'] = self.n_classes_

    OriginalL'auteur Adrien Renaud