XGBoost 产生非二进制预测答案

【问题标题】：XGBoost produces non-binary predictionsXGBoost 产生非二进制预测
【发布时间】：2019-07-21 05:04:47
【问题描述】：

在使用 XGBoost 训练我的模型后，我尝试测试模型，但预测是某种浮点数，当我想要获得性能指标时会导致错误。这是代码：

import xgboost as xgb
import sklearn.metrics as mt 

xg_reg = xgb.XGBRegressor(objective ='reg:linear', colsample_bytree = 0.3, learning_rate = 0.1,
            max_depth = 5, alpha = 10, n_estimators = 10)
xg_reg.fit(X_train,Y_train)
y_pred = xg_reg.predict(X_test)
mt.f1_score(Y_test, y_pred)

这是错误：

ValueError: Target is multiclass but average='binary'. Please choose another average setting.

这在我使用其他增强模型（例如 AdaBoost 或 CatBoost）时从未发生过。我是否应该考虑一个阈值并将 +1 分配给高于阈值的那些，将 -1 分配给低于阈值的那些？任何形式的建议表示赞赏。

【问题讨论】：

回答没有帮助？
@desertnaut，是的，很有帮助！我应该用分类器替换回归模型

标签： python machine-learning scikit-learn xgboost

【解决方案1】：

假设您处于二进制分类设置中，正如您明确暗示的那样，问题是您应该不使用XGBRegressor，这是针对回归问题和不适用于分类；来自docs（添加了重点）：

班级xgboost.XGBRegressor

为 XGBoost regression
实现 scikit-learn API

您应该改用XGBClassifier。

有关更多详细信息，请参阅Accuracy Score ValueError: Can't Handle mix of binary and continuous target 中的自己的答案（注意，因为实际上所有其他答案，包括接受和高度赞成的答案，基本上都是错误的）；这与 scikit-learn 几乎相同的问题，但同样的论点也适用于您的案例。

【讨论】：