我有一些关于 catboost 的愚蠢问题。
从 catboost 的文档中，我了解到行之间存在一些排列/洗牌，用于分类数据转换。(https://tech.yandex.com/catboost/doc/dg/concepts/algorithm-main-stages_cat-to-numberic-docpage/#algorithm-main-stages_cat-to-numberic)
我试图通过一次观察来预测我的模型是否有效，但我得到了一个错误。但是，通过 2 次观察，它可以正常工作。
我的问题是，对于 catboost 分类器的预测，由于排列，我们是否必须至少给出 2 个观察值？如果是，第一次观察对输出有影响吗？
【问题讨论】：
标签： python machine-learning catboost
Catboost 确实有这样的限制。但是，它与排列无关，因为它们仅在拟合阶段应用。
问题是在predict 和fit 之前应用了相同的方法catboost.Pool._check_data_empty。对于拟合而言，拥有不止一个观察结果确实至关重要。
现在检查功能需要sum(x.shape)>2，这确实很奇怪。下面的代码说明了这个问题：
import catboost
import numpy as np
x_train3 = np.array([[1,2,3,], [2,3,4], [3,4,5]])
x_train1 = np.array([[1], [2], [3]])
y_train = np.array([1,2,3])
x_test3_2 = np.array([[4,5,6], [5,6,7]])
x_test3_1 = np.array([[4,5,6,]])
x_test1_2 = np.array([[4], [5]])
x_test1_1 = np.array([[4]])
model3 = catboost.CatBoostRegressor().fit(x_train3, y_train)
model1 = catboost.CatBoostRegressor().fit(x_train1, y_train)
print(model3.predict(x_test3_2)) # OK
print(model3.predict(x_test3_1)) # OK
print(model1.predict(x_test1_2)) # OK
print(model1.predict(x_test1_1)) # Throws an error!
目前，您可以通过在调用 predict 之前再添加一两个假行来做得很好。它们不会影响原始行的输出。
【讨论】：