时间戳

首页 > 解决方案 > xgboost 排名目标成对 vs (ndcg & map)

python - xgboost 排名目标成对 vs (ndcg & map)

问题描述

我使用 xgboost 在产品概览页面上对一组产品进行排名。这里的相关性标签是在受欢迎程度、盈利能力等方面给出的评级的相关性。这些特征是与产品相关的特征，如收入、价格、点击、印象等。

我知道 rank:pariwise、rank:ndcg、rank:map 都实现了 LambdaMART 算法，但它们在优化模型的方式上有所不同。

以下是我的训练集的详细信息。800 个数据点分为两组（产品类型）。因此，每组有 400 个数据点。标签从 0 到 3，其中 0 表示无相关性，3 是最高相关性。

x_train 形状

(800, 10)

y_train 形状

800

group_train

[400, 400]

标签 [0., 1., 2., 3.]

同样，下面是我的验证集和测试集。 x_val 形状

(400, 10)

y_val 形状

400

group_val

[200, 200]

x_test 形状

(160, 10)

y_test 形状

160

下面是我最初尝试的模型参数

params = {'objective': 'rank:pairwise', 'learning_rate': 0.1,
          'gamma': 1.0, 'min_child_weight': 0.1,
          'max_depth': 6, 'n_estimators': 100}
model = xgb.sklearn.XGBRanker(**params)
model.fit(x_train_sample, y_train_sample, group_train, verbose=False,
          eval_set=[(x_val_sample, y_val_sample)], eval_group=[group_val])

预测如下所示，这是我所期望的。

7.56624222e-01,  3.05949116e+00,  3.86625218e+00,  1.57079172e+00,
4.26489925e+00,  7.92866111e-01,  3.58812737e+00,  4.02488470e+00,
3.88625526e+00,  2.50904512e+00,  3.43187213e+00,  3.60899544e+00,
2.86354733e+00,  4.36567593e+00,  1.22325927e-01,  2.79849982e+00,

但是当我将目标更改为 rank:ndcg

params = {'objective': 'rank:ndcg', 'learning_rate': 0.1,
          'gamma': 1.0, 'min_child_weight': 0.1,
          'max_depth': 6, 'n_estimators': 100}
model = xgb.sklearn.XGBRanker(**params)
model.fit(x_train_sample, y_train_sample, group_train, verbose=False,
          eval_set=[(x_val_sample, y_val_sample)], eval_group=[group_val])

我的预测完全奇怪。

[0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,
   0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,
   0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,

有人可以帮助知道，为什么？

标签： pythonmachine-learningxgboostranking

解决方案

我一开始也有同样的问题。删除伽玛对我有用。你可以试试

params = {'objective': 'rank:ndcg', 'learning_rate': 0.1,
          'min_child_weight': 0.1,
          'max_depth': 6, 'n_estimators': 100}
model = xgb.sklearn.XGBRanker(**params)
model.fit(x_train_sample, y_train_sample, group_train, verbose=False,
          eval_set=[(x_val_sample, y_val_sample)], eval_group=[group_val])```

推荐阅读