xgboost排序目标成对比(ndcg & map)

Question

我使用xgboost在产品概览页面上对一组产品进行排序。这里的相关标签是关于受欢迎程度、盈利能力等方面的评级。这些功能是与产品相关的特性，如收入、价格、点击量、印象等。

我知道秩:低级，秩:ndcg，秩:map都实现了LambdaMART算法，但是它们在优化模型的方式上有所不同。

下面是我的训练集的细节。800个数据点分为两组(产品类型)。因此，每组都有400个数据点。标签来自0-3，其中0不相关，3是相关性最高的.

x_train shape

(800、10)

y_train shape

800

group_train

400,400

标签0，1，2，3。

类似地，下面是我的验证集和测试集。x_val shape

(400、10)

y_val shape

400

group_val

200,200

x_test shape

(160、10)

y_test shape

160

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])

预测结果如下所示，这正是我所期望的。

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,

但是当我把目标改为等级时: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,

有人能帮上忙吗，为什么？

Answer 1

一开始我也有同样的问题。移除伽马对我有用。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])```