与目标“binary:logistic”一起使用的默认评估指标从“error”更改为“logloss”

Question

在使用 optuna 进行超参数调整后，我正在尝试将 XGBClassifier 拟合到我的数据集，但我不断收到以下警告：

与目标“binary:logistic”一起使用的默认评估指标已从“error”更改为“logloss”

下面是我的代码：

#XGBC MODEL
model = XGBClassifier(random_state = 69)

cross_rfc_score = -1 * cross_val_score(model, train_x1, train_y,
                           cv = 5, n_jobs = -1, scoring = 'neg_mean_squared_error')
base_rfc_score = cross_rfc_score.mean()

但是如果我使用 Optuna 然后拟合获得的参数，它会给我警告。下面是代码：

def objective(trial):
    learning_rate = trial.suggest_float('learning_rate', 0.001, 0.01)
    n_estimators = trial.suggest_int('n_estimators', 10, 500)
    sub_sample = trial.suggest_float('sub_sample', 0.0, 1.0)
    max_depth = trial.suggest_int('max_depth', 1, 20)

    params = {'max_depth' : max_depth,
           'n_estimators' : n_estimators,
           'sub_sample' : sub_sample,
           'learning_rate' : learning_rate}

    model.set_params(**params)

    return np.mean(-1 * cross_val_score(model, train_x1, train_y,
                            cv = 5, n_jobs = -1, scoring = 'neg_mean_squared_error'))

xgbc_study = optuna.create_study(direction = 'minimize')
xgbc_study.optimize(objective, n_trials = 10)

xgbc_study.best_params
optuna_rfc_mse = xgbc_study.best_value

model.set_params(**xgbc_study.best_params)
model.fit(train_x1, train_y)
xgbc_optuna_pred = model.predict(test_x1)
xgbc_optuna_mse1 = mean_squared_error(test_y, xgbc_optuna_pred)

完整的警告是：

从 XGBoost 1.3.0 开始，与目标“binary:logistic”一起使用的默认评估指标从“error”更改为“logloss”。如果您想恢复旧行为，请显式设置 eval_metric。

我希望 MSE 作为我选择的指标。

Answer 1

正如here 所述，尝试将eval_metric 添加到您的.fit：

model.fit(train_x1, train_y, eval_metric='rmse')

因为优化 rmse 和 mse 会导致相同的结果。