使用 xgboost 的弃用警告答案

【问题标题】：DeprecationWarning with xgboost使用 xgboost 的弃用警告
【发布时间】：2017-05-04 17:44:09
【问题描述】：

我已经使用来自http://www.lfd.uci.edu/~gohlke/pythonlibs 的whl 安装了xgboost

当我尝试过时：

import xgboost

我收到了下一条消息：

d:\程序文件\python\lib\site-packages\sklearn\cross_validation.py:44：弃用警告：此模块在 0.18 版中已弃用支持所有重构的 model_selection 模块类和函数被移动。还要注意的是界面新的 CV 迭代器与该模块的不同。这个模块将在 0.20 中删除。 "此模块将在 0.20 中删除。", 弃用警告）

如果我在import xgboost 之前打印import sklearn，我不会收到任何消息。我假设此消息不会影响结果，但如何避免呢？我还通过 pip 检查了所有软件包是否都是最新的。

【问题讨论】：

标签： python scikit-learn xgboost

【解决方案1】：

第一：

可以，暂时不会影响结果。

接下来，如何避免？

嗯，这不是一个简单的答案。软件不断发展。依赖是不可避免的。 抵抗是徒劳的。由于包和配置管理策略是唯一的方法，如何应对。

什么最适合类似的需求？

隔离您的实验，VM 隔离足以构建
继续使用强大的包管理 - Travis OLIPHANT 的 Anaconda 是一种可行的方法 (+ 3)
强制配置管理以避免在“新”包在阳光下占据一席之地后流血。 Anaconda 允许“冻结”一个受控的 [environment]，您可以在其中定义各个软件包的版本/发布号（并且 Anaconda 可以很好地控制那里的事物的交叉依赖关系，所以我们可以从清晰且易于识别的[environment]-s 中受益，其中的代码用于运行并进一步运行）

总是更新到“最新版本”的幼稚建议只会破坏当前工作的玩具并将事情搞砸。最好明确定义/配置/识别/强制执行完全受控的[environment]-s 以使用并保持多年。

如果一个人符合 ISO/EN-9000+、NATO-STANAG AQAP-130+ 等标准，那么就没有比这更好的方法了。

【讨论】：

【解决方案2】：

我遇到了同样的问题。我根据xgboost安装指南使用了以下命令，而不是pip install，警告消失了：

git clone --recursive https://github.com/dmlc/xgboost
cd xgboost
make -j4
cd python-package
python setup.py install

确保通过以下方式删除之前安装的 xgboost：

pip uninstall xgboost

【讨论】：