SKLearn 包装器中 XGBoost 的决策函数

Posted 2023-03-12

【中文标题】SKLearn 包装器中 XGBoost 的决策函数

【英文标题】：Decision_function for XGBoost in SKLearn wrapper

【发布时间】：2018-09-21 17:46:00

【问题描述】：

model.predict_proba(X)[:,0] 与 SKLearn 中的常规 Grad Boost 决策树分类器的 model.decision_function(X) 相比，我得到了不同的结果，所以我知道那是不一样的。

我想要模型的分数。绘制 ROC 曲线等。如何使用 SKLearn 包装器获得 XGBoost 分类器的决策函数？以及为什么 predict_proba 与分数不同？

【问题讨论】：

为什么它们应该是一样的？您是否使用了完全相同的算法，具有完全相同的超参数和随机种子？

是的，它与训练过的模型相同。我在问这两个函数有什么区别。

什么是 model.decision_function(X) ？你有这方面的 API/实现文档吗？

它在确定阈值之前为您提供分类器的输出。它因算法而异。对于 SVM，它是到决策超平面的距离 (***.com/questions/20113206/…)

【参考方案1】：

一般来说，我不希望sklearn.GradientBoostingClassifier 和xgboost.XGBClassifier 同意，因为它们使用非常不同的实现。但是您尝试比较的数量之间也存在概念上的差异：

为什么 predict_proba 与分数不同？

概率（model.predict_proba(X) 的输出）是从应用损失/目标函数的分数（model.decision_function(X) 的输出）中获得的，请参阅here for the call to the loss function 和here for the actual transformation。

我想要模型的分数。绘制 ROC 曲线等。如何使用 SKLearn 包装器获得 XGBoost 分类器的决策函数？

对于 ROC 曲线，您需要使用 xgbmodel.predict_proba(X)[:,1]，即对应于类 1 的第二列。