如何解决如何将 RFE 与 xgboost Booster 一起使用？
我目前正在使用 xgb.train(...)，它返回一个增强器，但我想使用 RFE 来选择最好的 100 个功能。返回的 booster 不能在 RFE 中使用，因为它不是 sklearn 估计器。 XGBClassifier 是 xgboost 库中的 sklearn api，但是，我无法获得与 xgb.train(...) 方法相同的结果（在 roc-auc 上差 10%）。我已经尝试过 sklearn 助推器，但它们也无法获得类似的结果。我还尝试将 xgb.train(...) 方法包装在一个类中以添加 sklearn estimator 方法，但要更改的方法太多了。有什么方法可以将 xgb.train(...) 与 sklearn 的 RFE 一起使用吗？
解决方法
针对此类问题，我创建了 shap-hypetune：一个用于同时进行超参数调整和梯度提升模型特征选择的 Python 包
就您而言，这使您能够以非常简单直观的方式使用 RFE 执行 XGBClassifier：
from shaphypetune import BoostRFE
model = BoostRFE(XGBClassifier(),min_features_to_select=1,step=1)
model.fit(X_train,y_train,eval_set=[(X_valid,y_valid)],early_stopping_rounds=6,verbose=0)
pred = model.predict(X_test)
如您所见，您可以使用标准 XGB API 中提供的所有拟合选项（例如 early_stopping_rounds 或自定义指标）来自定义训练过程。
您也可以使用 shap-hypetune 来计算参数调整（也可以与特征选择同时进行）或使用 SHAP 通过 RFE 或 Boruta 计算特征选择 特征重要性。可用的完整示例 here
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
