mars.learn.contrib.xgboost.XGBClassifier

class mars.learn.contrib.xgboost.XGBClassifier(max_depth: 可选[整型] = None, max_leaves: 可选[整型] = None, max_bin: 可选[整型] = None, grow_policy: 可选[字符串] = None, learning_rate: 可选[浮点数] = None, n_estimators: 整型 = 100, verbosity: 可选[整型] = None, objective: 可选[联合[字符串, 可调用的[[ndarray, ndarray], 元组[ndarray, ndarray]]]] = None, booster: 可选[字符串] = None, tree_method: 可选[字符串] = None, n_jobs: 可选[整型] = None, gamma: 可选[浮点数] = None, min_child_weight: 可选[浮点数] = None, max_delta_step: 可选[浮点数] = None, subsample: 可选[浮点数] = None, sampling_method: 可选[字符串] = None, colsample_bytree: 可选[浮点数] = None, colsample_bylevel: 可选[浮点数] = None, colsample_bynode: 可选[浮点数] = None, reg_alpha: 可选[浮点数] = None, reg_lambda: 可选[浮点数] = None, scale_pos_weight: 可选[浮点数] = None, base_score: 可选[浮点数] = None, random_state: 可选[联合[整型, 随机状态]] = None, missing: 浮点数 = nan, num_parallel_tree: 可选[整型] = None, monotone_constraints: 可选[联合[字典[字符串, 整型], 字符串]] = None, interaction_constraints: 可选[联合[字符串, 序列[序列[字符串]]]] = None, importance_type: 可选[字符串] = None, gpu_id: 可选[整型] = None, validate_parameters: 可选[布尔型] = None, predictor: 可选[字符串] = None, enable_categorical: 布尔型 = False, max_cat_to_onehot: 可选[整型] = None, eval_metric: 可选[联合[字符串, 列表[字符串], 可调用的]] = None, early_stopping_rounds: 可选[整型] = None, callbacks: 可选[列表[TrainingCallback]] = None, **kwargs: 任何)

XGBoost分类的scikit-learn API实现。

__init__(max_depth: 可选[整型] = None, max_leaves: 可选[整型] = None, max_bin: 可选[整型] = None, grow_policy: 可选[字符串] = None, learning_rate: 可选[浮点数] = None, n_estimators: 整型 = 100, verbosity: 可选[整型] = None, objective: 可选[联合[字符串, 可调用的[[ndarray, ndarray], 元组[ndarray, ndarray]]]] = None, booster: 可选[字符串] = None, tree_method: 可选[字符串] = None, n_jobs: 可选[整型] = None, gamma: 可选[浮点数] = None, min_child_weight: 可选[浮点数] = None, max_delta_step: 可选[浮点数] = None, subsample: 可选[浮点数] = None, sampling_method: 可选[字符串] = None, colsample_bytree: 可选[浮点数] = None, colsample_bylevel: 可选[浮点数] = None, colsample_bynode: 可选[浮点数] = None, reg_alpha: 可选[浮点数] = None, reg_lambda: 可选[浮点数] = None, scale_pos_weight: 可选[浮点数] = None, base_score: 可选[浮点数] = None, random_state: 可选[联合[整型, 随机状态]] = None, missing: 浮点数 = nan, num_parallel_tree: 可选[整型] = None, monotone_constraints: 可选[联合[字典[字符串, 整型], 字符串]] = None, interaction_constraints: 可选[联合[字符串, 序列[序列[字符串]]]] = None, importance_type: 可选[字符串] = None, gpu_id: 可选[整型] = None, validate_parameters: 可选[布尔型] = None, predictor: 可选[字符串] = None, enable_categorical: 布尔型 = False, max_cat_to_onehot: 可选[整型] = None, eval_metric: 可选[联合[字符串, 列表[字符串], 可调用的]] = None, early_stopping_rounds: 可选[整型] = None, callbacks: 可选[列表[TrainingCallback]] = None, **kwargs: 任何) → 无

方法

__init__([max_depth, max_leaves, max_bin, ...])
apply(X[, ntree_limit, iteration_range])	返回每个样本每棵树预测的叶子。
evals_result()	返回评估结果。
fit(X, y[, sample_weight, base_margin, ...])	拟合回归器。 :param X: 特征矩阵 :type X: array_like :param y: 标签 :type y: array_like :param sample_weight: 实例权重 :type sample_weight: array_like :param eval_set: 一组(X, y)元组对的列表，用作验证集，用于计算指标。验证指标将帮助我们跟踪模型的性能。 :type eval_set: list, optional :param sample_weight_eval_set: 形式为[L_1, L_2, ..., L_n]的列表，其中每个L_i是第i个验证集上的组权重的列表。 :type sample_weight_eval_set: list, optional.
get_booster()	获取该模型的底层 xgboost Booster。
get_num_boosting_rounds()	获取xgboost提升轮数。
get_params([deep])	获取参数。
get_xgb_params()	获取xgboost特定参数。
load_model(fname)	从文件或字节数组加载模型。
predict(数据, **参数)	使用 数据 进行预测。
predict_proba(数据[, ntree_limit])
save_model(fname)	将模型保存到文件中。
score(X, y[, sample_weight])	返回给定测试数据和标签的平均准确性。
set_params(**params)	设置此估计器的参数。

属性

best_iteration	通过提前停止获得的最佳迭代。
best_ntree_limit
best_score	通过提前停止获得的最佳分数。
coef_	系数属性
feature_importances_	特征重要性属性，返回取决于importance_type参数。
feature_names_in_	在fit()过程中看到的特征名称。
intercept_	截距（偏差）属性
n_features_in_	在 fit() 过程中看到的特征数量。