如何使用Scikit-Learn包装器获得XGBoost和XGBoost的预测以进行匹配？

Question

我是Python的XGBoost的新手，所以我很抱歉，如果答案是显而易见的，但是我尝试使用panda数据框并以Python的形式获取XGBoost，以提供与使用Scikit-
Learn包装器相同时得到的相同预测行使。到目前为止，我一直无法做到这一点。举个例子，在这里我拿波士顿数据集，转换为熊猫数据框，训练该数据集的前500个观察值，然后预测最后6个。我先使用XGBoost，然后使用Scikit-
Learn包装器和即使将模型的参数设置为相同，我也会得到不同的预测。具体而言，数组预测看起来与数组预测2完全不同（请参见下面的代码）。任何帮助将非常感激！

from sklearn import datasets
import pandas as pd
import xgboost as xgb
from xgboost.sklearn import XGBClassifier
from xgboost.sklearn import XGBRegressor

### Use the boston data as an example, train on first 500, predict last 6 
boston_data = datasets.load_boston()
df_boston = pd.DataFrame(boston_data.data,columns=boston_data.feature_names)
df_boston['target'] = pd.Series(boston_data.target)


#### Code using XGBoost
Sub_train = df_boston.head(500)
target = Sub_train["target"]
Sub_train = Sub_train.drop('target', axis=1)

Sub_predict = df_boston.tail(6)
Sub_predict = Sub_predict.drop('target', axis=1)

xgtrain = xgb.DMatrix(Sub_train.as_matrix(), label=target.tolist())
xgtest = xgb.DMatrix(Sub_predict.as_matrix())

params = {'booster': 'gblinear', 'objective': 'reg:linear', 
      'max_depth': 2, 'learning_rate': .1, 'n_estimators': 500,    'min_child_weight': 3, 'colsample_bytree': .7,
      'subsample': .8, 'gamma': 0, 'reg_alpha': 1}

model = xgb.train(dtrain=xgtrain, params=params)

predictions = model.predict(xgtest)

#### Code using Sk learn Wrapper for XGBoost
model = XGBRegressor(learning_rate =.1, n_estimators=500,
max_depth=2, min_child_weight=3, gamma=0, 
subsample=.8, colsample_bytree=.7, reg_alpha=1, 
objective= 'reg:linear')

target = "target"

Sub_train = df_boston.head(500)
Sub_predict = df_boston.tail(6)
Sub_predict = Sub_predict.drop('target', axis=1)

Ex_List = ['target']

predictors = [i for i in Sub_train.columns if i not in Ex_List]

model = model.fit(Sub_train[predictors],Sub_train[target])

predictions2 = model.predict(Sub_predict)

Answer 1

请在这里看这个答案

xgboost.train在xgboost.XGBRegressor接受时将忽略参数n_estimators
。在xgboost.train中，增强迭代（即n_estimators）由num_boost_round（默认值：10）控制

建议n_estimators从提供给xgb.train它的参数中删除并替换为num_boost_round。

因此，像这样更改您的参数：

params = {'objective': 'reg:linear', 
      'max_depth': 2, 'learning_rate': .1,    
      'min_child_weight': 3, 'colsample_bytree': .7,
      'subsample': .8, 'gamma': 0, 'alpha': 1}

像这样训练xgb.train：

model = xgb.train(dtrain=xgtrain, params=params,num_boost_round=500)

您将获得相同的结果。

或者，保持xgb.train不变，并像这样更改XGBRegressor：

model = XGBRegressor(learning_rate =.1, n_estimators=10,
                     max_depth=2, min_child_weight=3, gamma=0, 
                     subsample=.8, colsample_bytree=.7, reg_alpha=1, 
                     objective= 'reg:linear')

然后，您也将获得相同的结果。