我有点难以理解xgb.DMatrix
中的weight
函数与param
列表中的sum_pos_weight
参数之间的区别。我正在经历以下使用希格斯数据的代码;
由于数据不平衡,作者定义了一个权重参数:
weight <- as.numeric(dtrain[[32]]) * testsize / length(label)
sumwpos <- sum(weight * (label==1.0))
sumwneg <- sum(weight * (label==0.0))
但是,第 32 列已经是一个weight
变量,所以作者正在修改一个已经定义的权重变量?
然后,修改后的weight
变量被设置为xgb.DMatrix
的 "weight" 参数:
xgmat <- xgb.DMatrix(data, label = label, weight = weight, missing = -999.0)
此外,在参数列表中,作者有:"scale_pos_weight" = sumwneg / sumwpos,
。
所以scale_pos_weight
是sumneg
的函数,这是weight
的函数,a previously defined weight (column 32)
的函数。所以我很困惑。
作者在下面一行是做什么的:
weight <- as.numeric(dtrain[[32]]) * testsize / length(label)
在xgb.DMatrix
和sum_pos_weight
中设置weight
有什么区别?
当您设置
xgmat <- xgb.DMatrix(data, label = label, weight = weight, missing = -999.0)
weight
应该是与数据行对应的向量
例如,如果您有以下数据:
A B C
1 1 1 1
2 2 2 2
您需要将weight
设置为 2 个权重的向量
weight <- c(1, 2)
因此,第一个事件的权重为 1,第二个事件的权重为 2。你问自己为什么好?假设事件 1 发生了 1 次,事件 2 发生了 2 次,您希望对它们进行共同响应权重,特别提及该事件发生的时间量。
以下是使用权重的更多示例:
- 如果您希望最近的事件具有更多"价值">
- 您对数据行的置信度。 您将所有权重设置为介于 0 到 1 之间,权重将表示您对该数据的确定程度。 例如,如果权重 = 0.88,则您为该行提供了 88% 的置信度
- 如果您有重复的事件。 您可以设置它们一次,并赋予它们一个权重作为它们重复的数字,而不是创建更多行
scale_pos_weight
通常在具有"不平衡数据"时使用。 例如,假设您有一个分类问题,其中 5% 的数据为 1,95% 的数据为 0,您希望为每个正">事件"赋予更多的权重。所以你可以设置 scale_pos_weight = 19(或如作者所写:sumneg/sumpos
)
至于"作者"重新定义权重。如果没有完整的代码,我无法知道他在那里做了什么,但我认为他正在对权重进行某种规范化。