Python XGBoost不考虑参数

我在一个不平衡的场景中使用XGBoostClassifier，所以我想在fit（）函数中包含

sample\u weight

参数。我正在使用Python和scikit学习API

问题是XGBoost似乎没有考虑权重参数。此外，即使我说

n_jobs=-1

，培训也根本没有并行化（只使用1个CPU）

这是我正在使用的代码：

from xgboost import XGBClassifier
import copy

# Load data and split into X and y
train_data = pd.read_csv("my_path.csv")
y_train = train_data[TARGET_COL].to_list()
x_train = copy.deepcopy(train_data)
del x_train[TARGET_COL]

# Evaluate weights
w_yes, w_no = evaluate_weights(...)

sample_weights = []
for y in y_train:
    if y == 1:
        sample_weights.append(w_yes)
    elif y == 0:
        sample_weights.append(w_no)

model = XGBClassifier(n_jobs=-1)

# Train the model
trained_model = model.fit(x_train, y_train, sample_weight=sample_weights)

w_yes

值为25，

w_no

值为0.25

即使权重非常不同（原始数据集确实不平衡），它似乎也不会产生任何影响，例如

n_jobs

参数

---

有什么想法吗？我是否必须直接使用XGBoost语法，而不使用sklearn API？

类的平衡是什么？你在检查什么，看“它似乎没有产生任何影响”：一些预测，分数？这些预测几乎完全相同。如果我根据分数分离出测试数据集的前1%或10%，我能够识别相同比例的TP、TN、FP和FN。我希望通过使用权重，我能够增加TPP的数量。班级平衡是什么？你在检查什么，看“它似乎没有产生任何影响”：一些预测，分数？这些预测几乎完全相同。如果我根据分数分离出测试数据集的前1%或10%，我能够识别相同比例的TP、TN、FP和FN。我希望使用权重，我将能够增加TP的数量