为什么 xgboost 在使用整个数据集时为特征生成相同的预测和 nan 值?

Question

摘要

我正在使用Python v3.7和xgboost v0.81。从 2015 年到 2019 年，我每周都有美国各州级别的连续数据 (y)。我正在尝试将以下功能回归到 y：年、月、周、地区(编码)。我将火车设置为 2018 年 8 月及之前，测试是 2018 年 9 月及以后。当我以这种方式训练模型时，会发生两件奇怪的事情：

• feature_importances都是楠
• 预测都是一样的(0.5,0.5...)。

我尝试过什么

将任何特征固定为单个变量都可以使模型进行适当的训练，并且之前遇到的两个奇怪问题都消失了。 例如年份==2017 或地区==28

法典

(我知道这是一个时间问题，但这种一般情况也表现出问题)

X = df[['year', 'month', 'week', 'region_encoded']]
display(X)
y = df.target
display(y)
X_train, X_test, y_train, y_test = train_test_split(X.values, y.values, test_size=0.1)
model = XGBRegressor(n_jobs=-1, n_estimators=1000).fit(X_train, y_train)
display(model.predict(X_test)[:20])
display(model.feature_importances_)

结果 - 一些预测和特征重要性

year    month   week    region_encoded
0   2015    10  40  0
1   2015    10  40  1
2   2015    10  40  2
3   2015    10  40  3
4   2015    10  40  4
0    272.0
1     10.0
2    290.0
3     46.0
4    558.0
Name: target, dtype: float64
array([0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5], dtype=float32)
array([nan, nan, nan, nan], dtype=float32)

Answer 1

如果目标变量中有NaN，即使只有一个，也足以让许多机器学习算法中断。这通常是因为当许多 ML 算法(例如计算导数)的更新步骤中的目标变量中存在未经处理NaN时，NaN会传播。虽然，关于XGBoost中的哪一步，我不能说太多。

例如，线性回归的解析解。

import numpy as np
import numpy.linalg as la
from scipy import stats
y = np.array([0, 1, 2, 3, np.nan, 5, 6, 7, 8, 9])
x = stats.norm().rvs((len(y), 3))
# Main effects estimate
m_hat = la.inv(x.T @ x) @ x.T @ y
>>> [nan nan nan]