xgboost 自定义评价函数（metric）与目标函数

Posted 2020-09-20 张乐乐章

 

比赛得分公式如下：

其中，P为Precision , R为 Recall。

 

 

GBDT训练基于验证集评价，此时会调用评价函数，XGBoost的best_iteration和best_score均是基于评价函数得出。

评价函数：

input: preds和dvalid，即为验证集和验证集上的预测值，

return  string 类型的名称 和一个flaot类型的fevalerror值表示评价值的大小，其是以error的形式定义，即当此值越大是认为模型效果越差。

1 from sklearn.metrics import confusion_matrix
2 def customedscore(preds, dtrain):
3     label = dtrain.get_label()
4     pred = [int(i>=0.5) for i in preds]
5     confusion_matrixs = confusion_matrix(label, pred)
6     recall =float(confusion_matrixs[0][0]) / float(confusion_matrixs[0][1]+confusion_matrixs[0][0])
7     precision = float(confusion_matrixs[0][0]) / float(confusion_matrixs[1][0]+confusion_matrixs[0][0])
8     F = 5*precision* recall/(2*precision+3*recall)*100
9     return \'FSCORE\',float(F)

 应用：

 训练时要传入参数：feval = customedscore,

 1    params = { \'silent\': 1,  \'objective\': \'binary:logistic\' , \'gamma\':0.1,
 2         \'min_child_weight\':5,
 3         \'max_depth\':5,
 4         \'lambda\':10,
 5         \'subsample\':0.7,
 6         \'colsample_bytree\':0.7,
 7         \'colsample_bylevel\':0.7,
 8         \'eta\': 0.01,
 9         \'tree_method\':\'exact\'}
10     model = xgb.train(params, trainsetall, num_round,verbose_eval=10, feval = customedscore,maximize=False)

 

 

自定义 目标函数，这个我没有具体使用

1 # user define objective function, given prediction, return gradient and second order gradient
2 # this is log likelihood loss
3 def logregobj(preds, dtrain):
4     labels = dtrain.get_label()
5     preds = 1.0 / (1.0 + np.exp(-preds))
6     grad = preds - labels
7     hess = preds * (1.0-preds)
8     return grad, hess

# training with customized objective, we can also do step by step training
# simply look at xgboost.py\'s implementation of train
bst = xgb.train(param, dtrain, num_round, watchlist, logregobj, evalerror)

 

 

参考：

https://github.com/dmlc/xgboost/blob/master/demo/guide-python/custom_objective.py

http://blog.csdn.net/lujiandong1/article/details/52791117