具有稀疏矩阵数据和多项式 Y 的 xgboost 随机森林

Question

我不确定xgboost 的许多不错的功能是否可以按我需要的方式组合（？），但我想要做的是在多类因变量。

我知道xgboost 可以做任何一件事情：

• Random Forest 通过调整 xgboost 参数：

bst <- xgboost(data = train$data, label = train$label, max.depth = 4, num_parallel_tree = 1000, subsample = 0.5, colsample_bytree =0.5, nround = 1, objective = "binary:logistic")

• Sparse matrix predictors

bst <- xgboost(data = sparse_matrix, label = output_vector, max.depth = 4, eta = 1, nthread = 2, nround = 10,objective = "binary:logistic")

• Multinomial（多类）因变量模型通过multi:softmax 或multi:softprob

xgboost(data = data, label = multinomial_vector, max.depth = 4, eta = 1, nthread = 2, nround = 10,objective = "multi:softmax")

但是，当我尝试一次完成所有这些操作时，遇到了一个关于不合格 length 的错误：

sparse_matrix     <- sparse.model.matrix(TripType~.-1, data = train)
Y                 <- train$TripType
bst               <- xgboost(data = sparse_matrix, label = Y, max.depth = 4, num_parallel_tree = 100, subsample = 0.5, colsample_bytree =0.5, nround = 1, objective = "multi:softmax")
Error in xgb.setinfo(dmat, names(p), p[[1]]) : 
  The length of labels must equal to the number of rows in the input data
length(Y)
[1] 647054
length(sparse_matrix)
[1] 66210988200
nrow(sparse_matrix)
[1] 642925

我得到的长度错误是将我的单个多类依赖向量的长度（我们称之为 n）与稀疏矩阵索引的长度进行比较，我认为这是 j * n 表示 j 个预测变量。

这里的具体用例是 Kaggle.com Walmart 竞赛（数据是公开的，但默认情况下非常大——大约 650,000 行和数千个候选特征）。我一直在通过 H2O 在其上运行多项式 RF 模型，但听起来很多其他人一直在使用 xgboost，所以我想知道这是否可能。

如果不可能，那么我想知道是否可以/应该分别估计因变量的每个级别并尝试得出结果？

Answer 1

这是正在发生的事情：

当你这样做时：

sparse_matrix <- sparse.model.matrix(TripType~.-1, data = train)

您正在丢失数据中的行

sparse.model.matrix 默认不能处理 NA，当它看到是 1 时，它会丢弃该行

恰好有 4129 行在原始数据中包含 NA。

这是这两个数字的区别：

length(Y)
[1] 647054

nrow(sparse_matrix)
[1] 642925

这在前面的例子中起作用的原因如下

二项式：

它正在回收 Y 向量并完成缺失的标签。 （这很糟糕）

在随机森林的情况下：

（我认为）这是因为我的随机森林从不使用先前树的预测，所以这个错误是看不见的。 （这很糟糕）

外卖：

前面的例子都不能很好地训练

sparse.model.matrix 丢弃 NA，您在训练数据中丢失了行，这是一个大问题，需要解决

祝你好运！