如何提供加权评估集 XGBClassifier.fit()？
How to provide weighted eval set to XGBClassifier.fit()?
从sklearn-style API of XGBClassifier开始，我们可以提供早期停止的评估示例。
eval_set (list, optional) – A list of (X, y) pairs to use as a
validation set for early-stopping
但是，格式只提到了一对特征和标签。因此，如果文档是准确的，则没有地方可以为这些评估示例提供权重。
我错过了什么吗？
如果在 sklearn 风格中无法实现，原始（即非 sklearn）XGBClassifier API 是否支持它？一个简短的例子会很好，因为我从未使用过 API.
的那个版本
编辑 - 根据评论中的对话更新
鉴于您有一个代表实数值 gain/loss 的目标变量，您希望将其分类为 "gain" 或 "loss"，并且您希望确保分类器的验证集权重较大的绝对值gains/losses最重，这里有两种可能的方法：
创建一个自定义分类器，它只是将 XGBoostRegressor 馈送到一个阈值，在该阈值中，实值回归预测被转换为 1/0 或 "gain"/"loss" 分类。这个分类器的 .fit() 方法只会调用 xgbregressor 的 .fit() ，而这个分类器的 .predict() 方法会调用回归器的 .predict() ，然后 return 阈值类别预测。
您提到您想尝试对验证集中的记录进行加权处理，但 xgboost 中没有此选项。实现这一点的方法是实现自定义 eval-metric。但是，您指出 eval_metric 必须能够一次 return 单个 label/pred 记录的分数，因此它无法接受您所有的行值并执行加权在评估指标中。您在评论中提到的解决方案是 "create a callable which has a ref to all validation examples, pass the indices (instead of labels and scores) into eval_set, use the indices to fetch labels and scores from within the callable and return metric for each validation examples." 这也应该有效。
我倾向于选择选项 1，因为它更直接，但如果您有时间，尝试两种不同的方法并比较结果通常是个好主意，所以您很感兴趣这些结果如何。
截至几周前，fit 方法有一个新参数 sample_weight_eval_set，可让您执行此操作。它需要一个权重变量列表，即每个评估集一个。我认为此功能尚未成为稳定版本，但如果您从源代码编译 xgboost，它现在可用。
从sklearn-style API of XGBClassifier开始，我们可以提供早期停止的评估示例。
eval_set (list, optional) – A list of (X, y) pairs to use as a validation set for early-stopping
但是，格式只提到了一对特征和标签。因此，如果文档是准确的，则没有地方可以为这些评估示例提供权重。
我错过了什么吗？
如果在 sklearn 风格中无法实现，原始（即非 sklearn）XGBClassifier API 是否支持它？一个简短的例子会很好，因为我从未使用过 API.
的那个版本编辑 - 根据评论中的对话更新
鉴于您有一个代表实数值 gain/loss 的目标变量，您希望将其分类为 "gain" 或 "loss"，并且您希望确保分类器的验证集权重较大的绝对值gains/losses最重，这里有两种可能的方法：
创建一个自定义分类器，它只是将 XGBoostRegressor 馈送到一个阈值，在该阈值中，实值回归预测被转换为 1/0 或 "gain"/"loss" 分类。这个分类器的 .fit() 方法只会调用 xgbregressor 的 .fit() ，而这个分类器的 .predict() 方法会调用回归器的 .predict() ，然后 return 阈值类别预测。
您提到您想尝试对验证集中的记录进行加权处理，但 xgboost 中没有此选项。实现这一点的方法是实现自定义
eval-metric。但是，您指出eval_metric必须能够一次 return 单个 label/pred 记录的分数，因此它无法接受您所有的行值并执行加权在评估指标中。您在评论中提到的解决方案是 "create a callable which has a ref to all validation examples, pass the indices (instead of labels and scores) into eval_set, use the indices to fetch labels and scores from within the callable and return metric for each validation examples." 这也应该有效。
我倾向于选择选项 1，因为它更直接，但如果您有时间，尝试两种不同的方法并比较结果通常是个好主意，所以您很感兴趣这些结果如何。
截至几周前，fit 方法有一个新参数 sample_weight_eval_set，可让您执行此操作。它需要一个权重变量列表，即每个评估集一个。我认为此功能尚未成为稳定版本，但如果您从源代码编译 xgboost，它现在可用。