Xgboost: Mehrfachausgaberegression

Multivariate/Multilabel-Regression ist derzeit nicht implementiert #574 #680
Tianqi hatte gbtree learner einige relevante Platzhalter-Datenstrukturen hinzugefügt, aber vermutlich hatte niemand Zeit, die Maschinerie auszuarbeiten.

Schade, denn viele Wettbewerbe sind mit Multi-Outputs

Das wäre ein wirklich nettes Feature.

Haben wir dazu Neuigkeiten?

Ich füge diese Funktion dem Feature Request Tracker hinzu: #3439. Hoffentlich kommen wir irgendwann dazu.

Ich stimme zu - diese Funktion wäre äußerst wertvoll (genau das, was ich gerade brauche...)

Ich stimme auch zu, während dies in neuronalen Netzen ziemlich trivial ist, wäre es schön, dies auch in xgboost zu tun.

Diese Funktion würde gerne kommen

irgendein grund, warum es geschlossen ist?

@veonua Siehe #3439.

In der Zwischenzeit gibt es jede Alternative, wie jedes Ensemble von Single-Output-Modellen wie:

# Fit a model and predict the lens values from the original features
model = XGBRegressor(n_estimators=2000, max_depth=20, learning_rate=0.01)
model = multioutput.MultiOutputRegressor(model)
model.fit(X_train, X_lens_train)
preds = model.predict(X_test)

von: https://gist.github.com/MLWave/4a3f8b0fee43d45646cf118bda4d202a

In der Zwischenzeit gibt es jede Alternative, wie jedes Ensemble von Single-Output-Modellen wie:

https://scikit-learn.org/stable/modules/generated/sklearn.multioutput.MultiOutputRegressor.html

Ich werde auch abwägen und sagen, dass es sehr praktisch wäre, eine solche Funktion zu haben. Der oben erwähnte MultiOutputRegressor ist ein netter Wrapper, um mehrere Modelle gleichzeitig zu erstellen, und er funktioniert gut, um voneinander unabhängige Zielvariablen vorherzusagen. Wenn die Zielvariablen jedoch stark korreliert sind, möchten Sie wirklich ein Modell erstellen, das einen Vektor vorhersagt.