Catboost 中的 Pool 是什么？何时使用 Pool 而不是 numpy 数组？答案

【问题标题】：What is Pool in Catboost?When to use Pool instead of numpy array?Catboost 中的 Pool 是什么？何时使用 Pool 而不是 numpy 数组？
【发布时间】：2021-04-26 13:07:21
【问题描述】：

我使用这段代码来测试 CatBoostClassifier。

import numpy as np
from catboost import CatBoostClassifier, Pool

# initialize data
train_data = np.random.randint(0, 100, size=(100, 10))
train_labels = np.random.randint(0, 2, size=(100))
test_data = Pool(train_data, train_labels) #What is Pool?When to use Pool?
# test_data = np.random.randint(0,100, size=(20, 10)) #Usually we will use numpy array,will not use Pool

model = CatBoostClassifier(iterations=2,
                           depth=2,
                           learning_rate=1,
                           loss_function='Logloss',
                           verbose=True)
# train the model
model.fit(train_data, train_labels)
# make the prediction using the resulting model
preds_class = model.predict(test_data)
preds_proba = model.predict_proba(test_data)
print("class = ", preds_class)
print("proba = ", preds_proba)

关于Pool的描述是这样的：

CatBoost 中使用的池作为训练模型的数据结构。

我认为通常我们会使用 numpy 数组，不会使用 Pool。

例如我们使用：

test_data = np.random.randint(0,100, size=(20, 10))

我没有发现Pool的更多用法，所以我想知道我们什么时候会使用Pool而不是numpy数组？

【问题讨论】：

标签： python scikit-learn catboost

【解决方案1】：

我对池的理解是，它只是一个方便的包装器，结合了特征、标签和进一步的元数据，如分类特征或基线。
虽然如果您首先构建池然后使用池拟合模型并没有太大区别，但在保存训练数据方面会有所不同。如果您单独保存所有信息，它可能会不同步，或者您可能会忘记某些内容，并且在加载时需要几行来加载所有内容。游泳池在这里非常方便。
请注意，在拟合时，您还可以将评估数据集指定为池。如果您想尝试多个评估数据集，将它们封装在一个对象中非常方便 - 这就是池的用途。

【讨论】：

【解决方案2】：

关于 catboost 最重要的一点是，我们不需要对数据集中的分类特征进行编码。 catBoost 内置了一个热编码器超参数，只有在指定 cat_features 超参数时才能使用。现在 cat_features 超参数很难定义，因为一旦我们指定一个数组就会弹出错误。使用 Pool 可以简化定义。

【讨论】：

【解决方案3】：

Catboost 仅适用于池，这是一种内部数据格式。如果您将 numpy 数组传递给它，它会先隐式将其转换为 Pool，而不告诉您。如果您需要对一个数据集应用多个公式，则使用 Pool 可以显着提高性能（例如 10 倍），因为您每次都会省略转换步骤。

【讨论】：