Не могу воспроизвести L1-балл из LightGBM - PullRequest
Новая
       17

Не могу воспроизвести L1-балл из LightGBM

0 голосов
/ 17 апреля 2019

Когда я запускаю LGBM с ранней остановкой, он дает мне оценки, соответствующие его лучшей итерации.

Когда я пытаюсь воспроизвести эти оценки самостоятельно, я получаю разные числа. 

import lightgbm as lgb
from sklearn.datasets import load_breast_cancer
import pandas as pd
from sklearn.metrics import mean_absolute_error
from sklearn.model_selection import KFold


data = load_breast_cancer()
X = pd.DataFrame(data.data)
y = pd.Series(data.target)

lgb_params =  {'boosting_type': 'dart', 'random_state': 42}

folds = KFold(5)

for train_idx, val_idx in folds.split(X):
    X_train, X_valid = X.iloc[train_idx], X.iloc[val_idx]
    y_train, y_valid = y.iloc[train_idx], y.iloc[val_idx]
    model = lgb.LGBMRegressor(**lgb_params, n_estimators=10000, n_jobs=-1)
    model.fit(X_train, y_train,
              eval_set=[(X_valid, y_valid)],
              eval_metric='mae', verbose=-1, early_stopping_rounds=200)
    y_pred_valid = model.predict(X_valid)
    print(mean_absolute_error(y_valid, y_pred_valid))

Я ожидал, что 

valid_0's l1: 0.123608

будет соответствовать моему собственному расчету от mean_absolute_error, но это не так.Действительно, вот верхняя часть моего вывода: 

Training until validation scores don't improve for 200 rounds.
Early stopping, best iteration is:
[631]   valid_0's l2: 0.0515033 valid_0's l1: 0.123608
0.16287265537021847

Я использую версию 2.2.1 lightgbm.

1 Ответ

0 голосов
/ 17 апреля 2019

Если вы обновите свою версию LGBM, вы получите

«Предупреждение пользователя: ранняя остановка недоступна в режиме дротика»

пожалуйста, обратитесь к этой проблеме для подробностей об этом. Что вы можете сделать, так это переобучить модель, используя лучшее количество раундов повышения. 

results = model.evals_result_['valid_0']['l1']
best_perf = min(results)
num_boost = results.index(best_perf)
print('with boost', num_boost, 'perf', best_perf)    
model = lgb.LGBMRegressor(**lgb_params, n_estimators=num_boost+1, n_jobs=-1)
model.fit(X_train, y_train, verbose=-1)
...