时间戳

首页 > 解决方案 > 在多标签分类中将参数传递给较低级别​​的 XGBoost 估计器

python - 在多标签分类中将参数传递给较低级别​​的 XGBoost 估计器

问题描述

我有一个多标签分类问题，我想为每个标签（总共 4 个）训练一个 XGBoost 模型；然后我结合了四个 XGBoost 估计器，这要归功于sklearn.multioutput.MultiOutputClassifier(链接)。

另外，我想对 XGBoost 的超参数进行随机搜索，这要归功于RandomizedSearchCV.

下面有一些可重现的代码来解释我的意图。

import xgboost as xgb
from sklearn.model_selection import train_test_split, RandomizedSearchCV
from sklearn.multioutput import MultiOutputClassifier
from sklearn.datasets import make_multilabel_classification

# create dataset
X, y = make_multilabel_classification(n_samples=3000, n_features=50, n_classes=4, n_labels=1,
                                      allow_unlabeled=False, random_state=42)

# Split dataset into training and test set
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=123)

# hyper-parameters space for the random search
random_grid = {
    'n_estimators': [200, 300, 400], 
    'learning_rate': [0.05, 0.1, 0.2],
    'max_depth': [3, 4, 5],
    'min_child_weight': [1, 3]
}

xgb_estimator = xgb.XGBClassifier(objective='binary:logistic')
xgb_model = MultiOutputClassifier(xgb_estimator)

# random search instance
xgb_random_search = RandomizedSearchCV(
    estimator=xgb_model, param_distributions=random_grid,
    scoring=['accuracy'], refit='accuracy', n_iter=2, cv=3, verbose=True, random_state=1234, n_jobs=2
)

# fit the random search
xgb_random_search.fit(X_train, y_train)

但是，此代码给出以下（汇总）错误：

ValueError: Invalid parameter n_estimators for estimator MultiOutputClassifier.
    Check the list of available parameters with `estimator.get_params().keys()`

事实上，在运行错误消息建议的代码行之后，我意识到我将超参数传递random_grid给被MultiOutputClassifier调用xgb_model而不是 XGBoost 被调用xgb_estimator，这是“较低级别”的估计器（因为它是“包含的”内xgb_model）。

问题是：如何将超参数传递random_grid给“较低级别”的 XGBoost 估计器？我觉得通过一些**kwargs操作是可能的，但是经过一些试验我没有找到使用它们的方法。

标签： pythonscikit-learnxgboostmultilabel-classificationhyperparameters

解决方案

如果你运行xgb_model.get_params()，你会发现参数的名称都是以estimator__（双下划线）开头的。所以你的参数空间应该看起来像

random_grid = {
    'estimator__n_estimators': [200, 300, 400], 
    'estimator__learning_rate': [0.05, 0.1, 0.2],
    'estimator__max_depth': [3, 4, 5],
    'estimator__min_child_weight': [1, 3]
}

这与其他 sklearn 嵌套模型（如Pipeline和）一致ColumnTransformer。

推荐阅读