预测选项

不等。

输出形状取决于预测的类型。

对于多类分类问题#xff0c;XGBoost为每个类构建一棵树#xff0c;每个类的树称为…有许多在XGBoost中具有不同参数的预测函数。

预测选项

不等。

输出形状取决于预测的类型。

对于多类分类问题XGBoost为每个类构建一棵树每个类的树称为树的“组”因此输出维度可能会因所使用的模型而改变。

strict_shape

输出是一个2维数组第一维是行数第二维是组数。

对于回归/生存/排序/二分类这相当于一个形状为shape[1]

multi:softprob

时输出是一个2维数组最后3维连接成1维。

如果最后一维等于1则会删除最后一维。

包当指定

的参数类似于模型切片。

但与实际将模型拆分为多个堆栈不同它只是返回由范围内的树形成的预测。

每次迭代创建的树的数量等于num_parallel_tree。

因此如果正在训练大小为4的增强随机森林对于3类别分类数据集并且想要使用前2次迭代的树进行预测需要提供

iteration_range(0,

best_iteration因此预测将来自最佳模型。

但是在原生

Python

xgboost.Booster.inplace_predict()

iteration_range

属性来实现相同的行为。

此外xgboost.callback.EarlyStopping

save_best

base_margin。

它们指定了增强模型的全局偏差。

如果提供了后者则会忽略前者。

base_margin

XGBoost

的原生接口可以对预测进行阶段性或缓存。

例如可以首先对前4棵树进行预测然后在8棵树上运行预测。

在运行第一个预测后前4棵树的结果被缓存因此当您在8棵树上运行预测时XGBoost

可以重复使用先前预测的结果。

缓存会在下一次预测、训练或评估时自动过期如果缓存的

DMatrix

DMatrix可以对预测进行阶段性或缓存。

例如可以首先对前4棵树进行预测然后在8棵树上运行预测。

在运行第一个预测后前4棵树的结果被缓存因此当在8棵树上运行预测时XGBoost

DMatrix

对象已过期例如超出作用域并被语言环境中的垃圾回收器收集则缓存会在下一次预测、训练或评估时自动过期。

In-place预测

接口之类的包装器时构建过程会在内部发生。

添加了对就地预测的支持以绕过

DMatrix

的构建这种构建方式速度较慢且占用内存。

新的预测函数具有有限的功能但通常对于简单的推断任务已经足够。

它接受

Python

numpy.ndarray、scipy.sparse.csr_matrix

xgboost.Booster.inplace_predict()

GPU

时是线程安全的这意味着只要使用树模型预测本身就应该是线程安全的。

但是安全性仅在预测方面得到保证。

如果尝试在一个线程中训练模型并在另一个线程中使用相同的模型进行预测则行为是未定义的。

这比人们可能期望的更容易发生例如可能会在预测函数内部意外地调用

clf.set_params()

preprocess(X)clf.set_params(n_jobs1)

NOT

ThreadPoolExecutor(max_workers10)

...)隐私保护预测

开发的第三方开源库提供了类似于梯度提升类但直接在加密数据上进行预测的功能这得益于全同态加密。

一个简单的例子如下

from

make_classification(n_samples100,

class_sep2,

https://xgboost.read***docs.io/en/latest/prediction.html