XGBoost (2) Python 训练模型接口源码分析

最新推荐文章于 2023-03-22 20:39:16 发布

伽罗瓦群

最新推荐文章于 2023-03-22 20:39:16 发布

阅读量812

点赞数 3

分类专栏： XGBoost

本文链接：https://blog.csdn.net/isometric/article/details/87449968

版权

本文分析XGBoost在Python中的训练模型接口，重点关注`fit()`函数，揭示其调用流程和主要逻辑。文章介绍了`fit()`如何启动训练，其内部调用`_train_internal()`，并探讨了训练过程中的回调函数、参数检查和模型初始化等环节。

摘要由CSDN通过智能技术生成

前情回顾与本文目标

上一回，我们举了一个 XGBoost 的应用实例，用以 “判断野生蘑菇在什么情况下可以吃?”。现在我们打算挑战一下，看看算法是如何工作的。这不是一件很容易的事情，因为一个算法需要排除很多意外情形、还要会用 python 调用 C++ 的动态库，这都无形中给算法披上了一层又一层的外衣。在这篇文章中，我们不涉及 C++ 动态库的实现，先关注 python 层的逻辑关系。

我们先来回顾一下代码：

import xgboost as xgb

# 准备数据
dtrain = xgb.DMatrix('agaricus.txt.train')
dtest = xgb.DMatrix('agaricus.txt.test')

# 设置参数
param = {
   'max_depth':2, 'eta':1, 'silent':1, 'objective':'binary:logistic'}
watchlist = [(dtest, 'eval'), (dtrain, 'train')]
num_round = 2

# 训练模型
bst = xgb.train(param, dtrain, num_round, watchlist)

# 检验模型
preds = bst.predict(dtest)
labels = dtest.get_label()
print('error=%f' % (sum(1 for i in