Xgboost: Régression quantile et prise en charge des intervalles de prédiction
Je sais que sklearn.ensemble.GradientBoostingRegressor prend en charge la régression quantile et la production d' intervalles de prédiction . Existe-t-il des plans pour que le package XGBoost offre un support similaire ?
nnorton24
Tous les 3 commentaires
La régression quantile n'est actuellement pas prise en charge.
Cela peut être réalisé en définissant la fonction objective du côté de l'utilisateur : https://github.com/dmlc/xgboost/blob/master/R-package/demo/custom_objective.R
hetong007
le 24 août 2016
La régression quantile avec xgboost nécessite des fonctions de gradient et de hessian personnalisées. Voici une implémentation en Python : http://www.bigdatarepublic.nl/regression-prediction-intervals-with-xgboost/
arbackus
le 17 mai 2017
Notez que la mise en œuvre n'est pas très utile pour la plupart des utilisateurs, car elle spécifie une grille de recherche de trois paramètres (très coûteuse) pour obtenir une estimation quantile. Dans sklearn, vous ne définissez que la valeur du quantile et vous obtenez une estimation très robuste et fiable de ce quantile.
joseortiz3
le 21 déc. 2017
Questions connexes
choushishi
·
3Commentaires
lizsz
·
3Commentaires
mhnamaki
·
3Commentaires
FabHan
·
4Commentaires
colinsongf
·
4Commentaires
Commentaire le plus utile
La régression quantile avec xgboost nécessite des fonctions de gradient et de hessian personnalisées. Voici une implémentation en Python : http://www.bigdatarepublic.nl/regression-prediction-intervals-with-xgboost/