Python 如果在xgboost中使用提升度量分数，为什么会抛出[len（）（未大小对象）]？

我希望使用提升度量，使用

LIFT\u score（）

作为

xgboost

树模型中的度量，然后设置

.cv( ...,
     feval = lift_score,
     ...,
     )

但它显示了错误：

TypeError:len（）未调整大小的对象

可能是这样，因为我的数据集属于

int

类型，但

xgboost

树只接受整数数据，不确定如何解决此问题

下面是我的代码：

import xgboost as xgb
from mlxtend.evaluate import lift_score

t_params = { 'objective':       'binary:logistic',
             'eta':              0.1,
             'subsample':        0.8,
             'colsample_bytree': 0.8,                  
             'max_depth':        4,
             'min_child_weight': 6,
             'seed':             0,
              }
xgdmat = xgb.DMatrix( X_train, y_train )                # my data
cv_xgb = xgb.cv( params                =   t_params,
                 dtrain                =   xgdmat,
                 feval                 =   lift_score,
                 maximize              =   True,
                 num_boost_round       = 600,
                 nfold                 =   5,
                 early_stopping_rounds = 100
                 )

为什么？那么，API的预期没有达到： 虽然可以自由设置

feval

参数，但是

xgboost.cv（）

方法API中的一些期望应该得到满足

更简单的部分：

#用户定义的求值函数，返回一对度量值\u名称，结果

因此，度量计算器功能必须提供兼容的结果，最好是：

return 'error', <_a_custom_LIFT_score_>

---

调用接口匹配问题： 上面简单的包装器将完成更简单的部分

如果上面的

xgboost

演练源代码警告，关于实际值偏差的警告也将针对您的提升度量情况实施，那么您的值调整步骤必须在

eval_LIFT（）

中进行，然后将现在正确调整的值传递到

mlxtend.evaluate.LIFT_score（）

期望无偏差值。

为什么？那么，API的预期没有达到： 虽然可以自由设置

feval

参数，但是

xgboost.cv（）

方法API中的一些期望应该得到满足

更简单的部分：

#用户定义的求值函数，返回一对度量值\u名称，结果

因此，度量计算器功能必须提供兼容的结果，最好是：

return 'error', <_a_custom_LIFT_score_>

---

调用接口匹配问题： 上面简单的包装器将完成更简单的部分

---

如果上面的

xgboost

演练源代码警告，关于实际值偏差的警告也将针对您的提升度量情况实施，那么您的值调整步骤必须在

eval_LIFT（）

中进行，然后将现在正确调整的值传递到

mlxtend.evaluate.LIFT_score（）

期望无偏差的值。

我想这与

xgdmat

的设置问题有关。试着调查一下，确保它的尺寸和构造与您期望的完全一样。@dataprincess我可以检查一下什么是构造吗，谢谢，我已经检查了长度，它们是一样的。.我想这与您的

xgdmat

设置中的一些问题有关。试着调查一下，确保它的尺寸和构造完全符合您的预期。@dataprincess我可以检查一下什么是构造吗，谢谢，我已经检查了长度，它们是一样的。。

def eval_LIFT( ModelPREDICTIONS, dtrain ):
    #                                 a thin wrapper to mediate conversion from
    #                                 Xgboost.cv() <feval>-FUN call-signature
    #                                 to a target lift_score() call-signature    
    return 'LIFT', lift_score( dtrain.get_label(),
                                ModelPREDICTIONS
                                )

def lift_score( y_target,
                y_predicted,
                binary         = True,
                positive_label = 1
                ):
    """
    Lift measures the degree to which the predictions of a
    classification model are better than randomly-generated predictions.

    The in terms of True Positives (TP), True Negatives (TN),
    False Positives (FP), and False Negatives (FN), the lift score is
    computed as:

    [ TP/(TP+FN) ] / [ (TP+FP) / (TP+TN+FP+FN) ]
    ...
    """
    ...