XGboost的多分类入门_xgb.xgbclassifier多列输出结果代表什么

• 多分类情况下的参数：

xgb_params = {
    'learning_rate': 0.1,  # 步长
    'n_estimators':100,
    'max_depth': 6,  # 树的最大深度
    'objective': 'multi:softprob',
    'num_class': 3,
    'min_child_weight': 1,  # 决定最小叶子节点样本权重和，如果一个叶子节点的样本权重和小于min_child_weight则拆分过程结束。
    'gamma': 0,  # 指定了节点分裂所需的最小损失函数下降值。这个参数的值越大，算法越保守
    'silent': 0,  # 输出运行信息
    'subsample': 0.8,  # 每个决策树所用的子样本占总样本的比例（作用于样本）
    'colsample_bytree': 0.8,  # 建立树时对特征随机采样的比例（作用于特征）典型值：0.5-1
    'nthread': 4,
    'seed': 27}
1
2
3
4
5
6
7
8
9
10
11
12
13

把参数导入模型

model = xgb.XGBClassifier(**xgb_params)
model.fit(X_train,y_train)
1
2

网格搜索法

optimized_GBM = GridSearchCV(model, param_grid=param_test, scoring='roc_auc', cv=5, verbose=1)
1

param_grid=（变量）