La perte de journal dans XGBoost et Sklearn est-elle la même?

Question

Je joue avec un nouvel ensemble de données avec XGBoost. À la suite de mon code:

import xgboost as xgb 
import pandas as pd 
import numpy as np 

train = pd.read_csv("train_users_processed_onehot.csv") 
labels = train["Buy"].map({"Y":1, "N":0}) 

features = train.drop("Buy", axis=1) 
data_dmat = xgb.DMatrix(data=features, label=labels) 

params={"max_depth":5, "min_child_weight":2, "eta": 0.1, "subsamples":0.9, "colsample_bytree":0.8, "objective" : "binary:logistic", "eval_metric": "logloss", "seed": 2333} 
rounds = 6000 

result = xgb.cv(params=params, dtrain=data_dmat, num_boost_round=rounds, early_stopping_rounds=50, as_pandas=True, seed=2333) 
print result 

Le résultat est (OMIS résultats intermédiaires):

  test-logloss-mean test-logloss-std train-logloss-mean 
0    0.683354   0.000058   0.683206 
165   0.622318   0.000661   0.607680 

Mais quand je suis en train de faire le réglage des paramètres avec GridSearchCV, je l'ai trouvé le résultat tout à fait différent. Pour être plus précis, voici mon code:

import xgboost as xgb 
from sklearn.model_selection import GridSearchCV 
from xgboost.sklearn import XGBClassifier 
import numpy as np 
import pandas as pd 

train_dataframe = pd.read_csv("train_users_processed_onehot.csv") 
train_labels = train_dataframe["Buy"].map({"Y":1, "N":0}) 
train_features = train_dataframe.drop("Buy", axis=1) 

params = {"max_depth": [5], "min_child_weight": [2]} 

estimator = XGBClassifier(learning_rate=0.1, n_estimators=170, max_depth=2, min_child_weight=4, objective="binary:logistic", subsample=0.9, colsample_bytree=0.8, seed=2333) 

gsearch1 = GridSearchCV(estimator, param_grid=params, n_jobs=4, iid=False, verbose=1, scoring="neg_log_loss") 
gsearch1.fit(train_features.values, train_labels.values) 

print pd.DataFrame(gsearch1.cv_results_) 
print gsearch1.best_params_ 
print -gsearch1.best_score_ 

et je me suis:

mean_fit_time mean_score_time mean_test_score mean_train_score 
0  87.71497   0.209772  -3.134132   -0.567306 

Il est clair que 3,134132 est très différent de 0,622318. Quelle est la raison de cela?

Merci!

Answer 1

Vous passe différents paramètres à la fois:

• MAX_DEPTH: 5 vs 2
• eta: 0,1 vs 0,3 (par défaut)
• min_child_weight: 2 vs 4

Les paramètres vous passez à sklearn sont plus conservateurs (il est moins probable que vous allez overfit le modèle), donc l'algorithme n'essaye pas trop d'adapter le modèle aux données. À son tour, à la seconde vous obtenez un score inférieur - exactement ce qui devrait être attendu.