Come forma ranking modelli in xgBoost coppie?
Domanda
Per quanto ne so, per addestrare imparare a modelli di rango, è necessario disporre di tre cose nel set di dati:
- etichetta o rilevanza
- gruppo o query id
- funzione di vettore
Per esempio, il Microsoft Learning per Classifica set di dati utilizza questo formato (etichetta, gruppo id e arredamento).
1 qid:10 1:0.031310 2:0.666667 ...
0 qid:10 1:0.078682 2:0.166667 ...
Sto provando xgBoost che utilizza GBM da fare classifica a coppie. Hanno un esempio per un compito classifica che utilizza il programma C ++ per imparare sul set di dati di Microsoft come sopra.
Comunque, io sto usando il loro involucro di Python e non riesco a trovare dove posso ingresso l'ID del gruppo (qid
sopra). Posso addestrare il modello utilizzando solo le caratteristiche e la rilevanza punteggi, ma mi sento come se mi manca qualcosa.
Ecco un esempio di script.
gbm = XGBRegressor(objective="rank:pairwise")
X = np.random.normal(0, 1, 1000).reshape(100, 10)
y = np.random.randint(0, 5, 100)
gbm.fit(X, y) ### --- no group id needed???
print gbm.predict(X)
# should be in reverse order of relevance score
print y[gbm.predict_proba(X)[:, 1].argsort()][::-1]
Soluzione
Secondo il XGBoost documentazione , XGboost si aspetta che:
- esempi di uno stesso gruppo essere consecutivi esempi,
- una lista con le dimensioni di ogni gruppo (che si può impostare con il metodo
set_group
diDMatrix
in Python).
Altri suggerimenti
set_group
è molto importante per classifica, perché solo i punteggi in un gruppo sono paragonabili.
È possibile ordinare i dati in base alle loro punteggi nel proprio gruppo.
Per un facile posizionamento, è possibile utilizzare il mio xgboostExtension .