Телеграмм чат группы catboost

Size: a a a

catboost_ru

2018 December 28

Привет
1. Делаю кроссвалидацию
Подскажите
Print(cv_data.mean())
Выведет средний loss_function и custom_loss)
Для всех фолдов и всех итераций ?

источник

19:21пожаловаться #1

Oleg Okeev in catboost_ru

и 2. Код
pool1 = Pool(data=X_prepared, label=y, cat_feautures=cat_features)
shap_values = model.get_feauture_importance(pool1, fstr_type='Shapvalues')
print(shap_values.shape
Выдает предупреждение:
The Model has complex ctrs, so the SHAP values will be calculated aprroxim
и вывод: (32769,10)
Я ожидаю увидеть важность всех категориальных предикторов.

-Что означает ошибка?
-Что значат эти 2 числа?

источник

19:26пожаловаться #2

Oleg Okeev in catboost_ru

И 3. Как при Обучении модели verbose=True
Выводить не только log_loss , а Auc ?
Как смотреть как ведёт себя Auc на кроссвалидации по шагам ?

источник

19:38пожаловаться #3

Oleg Okeev in catboost_ru

По умолчанию там log_loss

источник

19:43пожаловаться #4

Frank F in catboost_ru

Oscar Tempter

Да с катбустом разобрался... Но мне нужна модель из scikit learn, а там я еще не разобрался как из файла данные подавать

Привет , ты не знаешь как поставить
Eval_metric для кроссвалидации ?
Всегда выдаёт лучшую итерацию по log_loss , приходится auc отдельно выводить колонку

источник

21:49пожаловаться #5

Oscar Tempter in catboost_ru

Frank F

С ходу не отвечу, а компа нет под рукой

источник

21:51пожаловаться #6

Frank F in catboost_ru

Oscar Tempter

С ходу не отвечу, а компа нет под рукой

Ок, ну ладно потом

источник

21:53пожаловаться #7

Anna Veronika Dorogush in catboost_ru

eval_metric=‘AUC’

источник

23:19пожаловаться #8

2018 December 29

Oleg Okeev in catboost_ru

Anna Veronika Dorogush

eval_metric=‘AUC’

Для кроссвалидации этот параметр отсутствует , я уже пробовал

источник

08:16пожаловаться #9

Nikita Dmitriev in catboost_ru

Вот так пробовал?

from catboost import Pool, cv

pool = Pool(x_train, y_train)
params = {
          'iterations': 100, 
          'loss_function': ‘Logloss’,
          ‘eval_metric’:‘AUC’,
          'verbose': False
}
scores = cv(pool, params)

источник

11:36пожаловаться #10

Oleg Okeev in catboost_ru

Nikita Dmitriev

Вот так пробовал?

from catboost import Pool, cv

pool = Pool(x_train, y_train)
params = {
          'iterations': 100, 
          'loss_function': ‘Logloss’,
          ‘eval_metric’:‘AUC’,
          'verbose': False
}
scores = cv(pool, params)

Получилось , спасибо всем

источник

18:49пожаловаться #11

Oleg Okeev in catboost_ru

А можете подсказать туториал с настойкой расчетов на GPU

источник

18:49пожаловаться #12

Oleg Okeev in catboost_ru

А то на выборке 2 млн сэмплов и 100 предикторов у Catboost на CPU проблемы

источник

18:50пожаловаться #13

Oleg Okeev in catboost_ru