xgboost: son örneklere daha fazla önem verin

Xgboost ile verileri analiz ederken daha yeni olan noktalara daha fazla önem vermenin bir yolu var mı?

Birden fazla xgboost modeli oluşturmayı deneyebilir, bunlardan bazıları daha yeni verilerle sınırlı olabilir, ardından bu sonuçları birlikte ağırlıklandırabilirsiniz. Başka bir fikir, son noktaları daha fazla cezalandıran ve onlara daha fazla önem verecek özelleştirilmiş bir değerlendirme metriği yapmak olacaktır.

Xgb.DMatrix'inize zaman etiketlerinize göre ağırlık eklemeniz yeterlidir. Aşağıdaki örnek R'de yazılmıştır, ancak aynı ilke Python veya Julia'daki xgboost için de geçerlidir.

data <- data.frame(feature = rep(5, 5),
                   year = seq(2011, 2015), 
                   target = c(1, 0, 1, 0, 0))
weightsData <- 1 + (data$year - max(data$year)) * 5 * 0.01

#Now create the xgboost matrix with your data and weights
xgbMatrix <- xgb.DMatrix(as.matrix(data$feature), 
                         label = data$target, 
                         weight = weightsData)

Python'da güzel bir scikit-öğrenme sarmalayıcısı var, böylece şöyle yazabilirsiniz:

import xgboost as xgb
exgb_classifier = xgb.XGBClassifier()
exgb_classifier.fit(X, y, sample_weight=sample_weights_data)

Bundan daha fazla bilgi alabilirsiniz: http://xgboost.readthedocs.io/en/latest/python/python_api.html#xgboost.XGBClassifier.fit