是否可以在python中为xgboost提供一个自定义的分类数据目标函数？

Question

我有分类数据和一个目标函数，我正在努力优化。在xgboost文档中，提到您可以提供自己的目标函数，但它必须返回梯度和hessian。当我有分类数据时，我不确定hessian或gradient意味着什么。目标函数看起来有点像这样

sum_{all classes i} ((number of correct predictions in class_i) / (number in class i))

在这种情况下，是否可以创建自定义目标函数？在

Answer 1

要分析计算目标函数的梯度和hessian（二阶导数），需要根据模型的预测和给定的真实标签来定义它。

从您的目标函数可以清楚地看出，您正在优化加权精度（不含百分比）度量，其中类的权重取决于该类的实例数。 让我们为三个类A、B和C定义以下三个类：
- C_A，C_B和C_C是相应类中正确预测的数量；
-N_A，N_B，N_C是这些类中每个类的实例数；
-N_A+N_B+N_C = T是实例总数。 {也可以写成：(C_A/T)*(T/N_A) + (C_B/T)*(T/N_B) + (C_C/T)*(T/N_C)。
这可以直接与总体精度相比较：C_A/T + C_B/T + C_C/T

这意味着您可以通过使用多：softmax“xgboost中内置的目标函数。在