XGBoost在Python中使用包含时间步长的三维输入？

我正在尝试对时间序列数据进行

XGBRegressor

训练，使其具有时间步长，因此如果有12345个样本、10个特征和5个时间步长，

xu-train

的结果形状可能类似于

（12345,5,10）

但是，当我们尝试使用这样的训练数据来训练

XGBRegressor

时

import xgboost as xgb
xgb = xgb.XGBRegressor()
xgbr.fit(X_train, y_train)

我们得到了错误

ValueError:（'Expecting 2D numpy.ndarray，Get:'，（12345,5,10））

---

对于包含时间步长的训练数据，正确的训练方法是什么？

从错误中可以清楚地看出，您不能直接使用3D形状的数组进行拟合和训练。对于时间序列问题，重复使用ML是很常见的，尽管您必须确保输入了regressor有意义的特性，这些特性捕获了样本之间的时间依赖关系

---

因此，对于您的特定问题，您可以从创建一个新特性开始，该特性指示样本所属的时间步。通过这种方式，决策树还将了解时间相关变量对目标变量的影响。虽然更有意义的特征可以添加得更好，因此你也可以考虑包括捕捉其他可能的时间依赖统计的特征。

可怕的是，除了指示样本的时间步长的新特征之外，你还会建议在那个时间步长中添加指示样本位置的第二个新特征吗？按照您的建议，我们将把数据从

（12345,5,10）

转换为

（12345*5,10+1）

，这是正确的吗？是的，这正是@Nyxynyx的想法，因此每个时间戳都有一个新行加上额外的时间戳功能。是的，如果时间中的位置可以是一个相关的预测器，那么在将训练数据从

（12345,5,10）

转换为

（12345*5,10+1）

后，将其作为一个特征进行广告是有意义的，我们现在拥有的训练样本（以及预测）是标签的5倍。我们应该如何处理标签短缺的问题？您是否使用XGBoost来尝试具体预测时间序列？或者您正试图在数据恰好是时间序列的情况下进行分类/回归？IIUC所有新样本应共享与原始数组对应的标签。也就是说，如果保留原始顺序，则标签应为

np。重复（y，5）

@Nyxynyx