Catboost 中的 Pool 是什么？何时使用 Pool 而不是 numpy 数组？

如何解决Catboost 中的 Pool 是什么？何时使用 Pool 而不是 numpy 数组？

我使用此代码来测试 CatBoostClassifier。

import numpy as np
from catboost import CatBoostClassifier,Pool

# initialize data
train_data = np.random.randint(0,100,size=(100,10))
train_labels = np.random.randint(0,2,size=(100))
test_data = Pool(train_data,train_labels) #What is Pool?When to use Pool?
# test_data = np.random.randint(0,size=(20,10)) #Usually we will use numpy array,will not use Pool

model = CatBoostClassifier(iterations=2,depth=2,learning_rate=1,loss_function='Logloss',verbose=True)
# train the model
model.fit(train_data,train_labels)
# make the prediction using the resulting model
preds_class = model.predict(test_data)
preds_proba = model.predict_proba(test_data)
print("class = ",preds_class)
print("proba = ",preds_proba)

关于Pool的描述是这样的：

CatBoost 中使用的池作为训练模型的数据结构。

我认为通常我们会使用 numpy 数组，不会使用 Pool。

例如我们使用：

test_data = np.random.randint(0,10))

我没有发现 Pool 的更多用法，所以我想知道我们什么时候会使用 Pool 而不是 numpy 数组？

解决方法

我对池的理解是，它只是一个方便的包装器，结合了特征、标签和进一步的元数据，如分类特征或基线。
如果您首先构建池然后使用池拟合模型并没有太大区别，但在保存训练数据方面会有所不同。如果您单独保存所有信息，它可能会不同步或者您可能会忘记某些内容，并且在加载时您需要几行来加载所有内容。游泳池在这里非常方便。
请注意，在拟合时，您还可以将评估数据集指定为池。如果您想尝试多个评估数据集，将它们包含在一个对象中非常方便 - 这就是池的用途。

,

关于 catboost 最重要的一点是我们不需要对数据集中的分类特征进行编码。 catBoost 内置了一个热编码器超参数，只有在指定 cat_features 超参数时才能使用。现在 cat_features 超参数很难定义，因为一旦我们指定一个数组就会出现错误。使用 Pool 使定义更简单。

,

Catboost 仅适用于池，这是内部数据格式。如果您将 numpy 数组传递给它，它会先将其隐式转换为 Pool，而不会告诉您。 如果您需要将多个公式应用于一个数据集，使用 Pool 会显着提高性能（例如 10 倍），因为您每次都将省略转换步骤。