Python xgboost排名目标成对vs（ndcg和地图）

我使用xgboost在产品概述页面上对一组产品进行排名。此处的相关性标签是指在受欢迎程度、盈利能力等方面给出的评级的相关性。这些功能是与产品相关的功能，如收入、价格、点击、印象等

我知道rank:pariwise、rank:ndcg、rank:map都实现了LambdaMART算法，但它们在如何优化模型方面有所不同

下面是我的训练集的详细信息。800个数据点分为两组（产品类型）。因此，每组有400个数据点。标签从0到3，其中0表示无相关性，3表示最高相关性

x_列车形状

（800，10）

y\u列车形状

八百

团体列车

[400400]

标签 [0,1,2,3]

同样，下面是我的验证集和测试集。 x_val形状

（400,10）

y_val形状

四百

组值

[200200]

x_测试形状

（160、10）

y\u测试形状

一百六十

下面是我最初尝试的模型参数

params = {'objective': 'rank:pairwise', 'learning_rate': 0.1,
          'gamma': 1.0, 'min_child_weight': 0.1,
          'max_depth': 6, 'n_estimators': 100}
model = xgb.sklearn.XGBRanker(**params)
model.fit(x_train_sample, y_train_sample, group_train, verbose=False,
          eval_set=[(x_val_sample, y_val_sample)], eval_group=[group_val])

预测如下所示，这就是我所期望的

7.56624222e-01,  3.05949116e+00,  3.86625218e+00,  1.57079172e+00,
4.26489925e+00,  7.92866111e-01,  3.58812737e+00,  4.02488470e+00,
3.88625526e+00,  2.50904512e+00,  3.43187213e+00,  3.60899544e+00,
2.86354733e+00,  4.36567593e+00,  1.22325927e-01,  2.79849982e+00,

但当我把目标改为排名：ndcg

params = {'objective': 'rank:ndcg', 'learning_rate': 0.1,
          'gamma': 1.0, 'min_child_weight': 0.1,
          'max_depth': 6, 'n_estimators': 100}
model = xgb.sklearn.XGBRanker(**params)
model.fit(x_train_sample, y_train_sample, group_train, verbose=False,
          eval_set=[(x_val_sample, y_val_sample)], eval_group=[group_val])

我的预测完全奇怪

[0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,
   0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,
   0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,

---

有人能帮我知道为什么吗？

一开始我也有同样的问题。移除伽马射线对我很有用。你可以试试

params = {'objective': 'rank:ndcg', 'learning_rate': 0.1,
          'min_child_weight': 0.1,
          'max_depth': 6, 'n_estimators': 100}
model = xgb.sklearn.XGBRanker(**params)
model.fit(x_train_sample, y_train_sample, group_train, verbose=False,
          eval_set=[(x_val_sample, y_val_sample)], eval_group=[group_val])```

---

一开始我也有同样的问题。移除伽马射线对我很有用。你可以试试

params = {'objective': 'rank:ndcg', 'learning_rate': 0.1,
          'min_child_weight': 0.1,
          'max_depth': 6, 'n_estimators': 100}
model = xgb.sklearn.XGBRanker(**params)
model.fit(x_train_sample, y_train_sample, group_train, verbose=False,
          eval_set=[(x_val_sample, y_val_sample)], eval_group=[group_val])```

---

我也有同样的问题！我也有同样的问题！