我正在使用以下MultiOutputRegressor： from xgboost import XGBRegressorestimator = XGBRegressor( )
my_model = MultiOut
浏览 182提问于2021-03-25得票数 1
回答已采纳
1回答
在过去，我曾在xgbregressor估计器周围使用scikit学习包装器MultiOutputRegressor。然后，我可以通过使用类似于wrapper.estimators_i.feature_importances_之类的东西来访问各个模型的特性重要性。然而，现在，当我在xgboostregressor的多输出模型上运行feature_importances_时，即使我有多个目标，我也只能获得一组特性。知道这一系列特性的重要性
浏览 7提问于2022-08-08得票数 0
回答已采纳
1回答
调整XGB参数
、、
我正在用飞机引擎数据集和他们的寿命来做一个项目。我需要使用XGBRegressor才能使我的模型在我的验证数据上获得最高的成功率。我在理解XGBRegressor文档时遇到了困难，我想知道您是否知道如何优化搜索最优参数，而不是手工测试所有的参数。xgb = <e
浏览 2提问于2022-04-17得票数 -1
fit_params = {"early_stopping_rounds":1,
gridsearch = GridSearchCV(estimator = xgb.XGBRegressor(),
浏览 0提问于2018-04-10得票数 5
我有一个旧的线性模型，我希望改进使用XGBoost。我有旧模型的预测，我希望用它作为基数。此外，由于我建模的本质，我需要使用权重。但是，当我需要指定权重和基准裕度时，如何进行交叉验证或样本外分析？据我所见，我可以使用sklearn和GridSearchCV，但接下来需要在XGBRegressor()中指定权重和基数裕度(而不是像上面那样在fit()中)。base_margin在XGBRegressor()中的等价形式
浏览 3提问于2022-06-06得票数 5
回答已采纳
我注意到在Python中有两种可能的XGBoost实现，如和所讨论的import xgboost as xgbimport xgboostimportmodel.fit(X, Y)
pr
浏览 5提问于2019-12-18得票数 1
1回答
当我使用Scikit learn的SVR来拟合一些自己的数据时，经过训练的估计器最终不包含支持向量，从而预测始终不变的值。令我惊讶的是，当使用一些随机的训练数据时，相同的代码是完美无缺的。我的密码怎么了？数据有问题吗？(我还有很多其他数据显示了同样的问题。)
下面是代码的一个最小示例，首先使用随机训练数据。为了确保数据能够被安装，我还添加了Ker
浏览 1提问于2021-09-08得票数 3
回答已采纳
1回答
下面是关于使用奇异值分解(SVD)：对电影建议进行矩阵分解的教程。使用 SVD ，使用SVD将数据集近似为三个组件：
如何在经过训练的模型上
浏览 0提问于2019-05-23得票数 3
1回答
假设我有一组输入变量(A、B、C和D)，并使用机器学习模型(在我的例子中是XGBRegressor)预测目标(y)，具有合理的性能(测试集上的相对误差为5%)。from sklearn.datasets import make_regressionfrom xgboost import XGBRegressor
X = p
浏览 0提问于2018-09-24得票数 4
我有数据的预处理器，上面定义了代码，一些网格参数pipe = Pipeline(steps=[ ('num'
浏览 1提问于2019-05-29得票数 5
我有下面的代码，其中我需要预测3种不同的输出，然后计算每个输出的MAE (平均绝对误差)。由于支持向量机回归本身不像其他模型一样支持多输出回归，如随机森林模型和线性回归模型。我找到了一个选项，可以使用一个MultiOutputRegressor类来实现这一点，并将其作为每个输出的单独模型。
(1
浏览 3提问于2020-06-10得票数 1
回答已采纳
我有一个8核/16线程的CPU，我使用cross_val_score和XGBRegressor，两者都使用njobs=6，但它们实际上只使用1个核心(在htop-Console中，只有1个CPU有100%的负载，其余的- 0%)。for k,l_rate in enumerate([0.0001,0.001,0.01,0.1]):
sc = cross_val_score(estimator=xgb.XGBRe
浏览 8提问于2019-11-06得票数 0
回答已采纳
我想结合一个XGBoost模型与输入缩放和特征空间缩减的PCA。此外，模型的超参数以及PCA中使用的组件数也应该使用交叉验证来调整。为了防止模型过度拟合，应增加早期停止。为了组合各个步骤，我决定使用sklearn的Pipeline功能。
一开始，我在确保PCA也应用于验证集时遇到了一些问题。但我认为使用XGB__eval_set可以达成交易。代码实际上运行时没有任何错误，但似乎永远
浏览 0提问于2018-06-12得票数 9
回答已采纳
1回答
我有一个具有多个输出的数据集，并且正在尝试使用梯度提升来一次预测所有值。我导入了MultiOutputRegressor，因此可以一次预测多个输出；我能够使其适用于默认的梯度提升函数。然而，当我试图优化每个输出的梯度提升函数时，我遇到了一个错误。param_grid = LR, scoring = 'r2')tuning.best_params_, tuning.best_score_ 我正在尝试使用
浏览 20提问于2021-04-27得票数 0
在调用plot_partial_dependence之后，我尝试在XGBoost拟合模型上使用sklearn .fit函数。但我不断地发现错误：下面是使用虚拟数据集的步骤。使用虚拟数据的完整示例：# dummy dataset
fro
浏览 5提问于2020-06-28得票数 5
1回答
我最近在我的数据集中遇到了一个“奇怪”的观察。在使用20个特性进行XGB建模之后，我绘制了增益值最高的前10个功能。F7 4030.730915F9 2384.573760如您所见我在测试集上验证了结果，模型并没有过分拟合，并且给出了一个不错的结果(与我的优点数字相比)：
F
浏览 11提问于2019-12-23得票数 2
回答已采纳
2回答
sklearn.model_selection import cross_val_scorefrom sklearn.model_selection import KFold谢谢,
浏览 0提问于2021-08-19得票数 1
回答已采纳
1回答
我正在处理数据集中30k行的回归问题，决定使用XGBoost主要是为了避免为快速原始模型处理数据。我注意到，在做交叉验证时，火车上的R 2和CV中的R 2有明显的差别，=>有明显的过度适应迹象。X.iloc[ind_train],X.iloc[ind_val] xgb = XGBRegressor：这被认为是一个压倒性的<
浏览 0提问于2019-07-24得票数 4
回答已采纳
我正在研究python中的回归模型(v3.6)，使用sklearn和xgboost。我想用sklearn.cross_val_score计算early_stopping_rounds。以下代码返回一个错误： learning_ratefit_params={'early_stopping_rounds':3})
IndexError: list index out of
浏览 0提问于2018-02-06得票数 3
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
