⛄ eval_metrics

这篇文章介绍了 CatBoost 中 eval_metrics 方法的使用方法，该方法用于计算指定数据集上的指定指标。1

方法调用格式¶

eval_metrics(data,
             metrics,
             ntree_start=0,
             ntree_end=0,
             eval_period=1,
             thread_count=-1,
             log_cout=sys.stdout,
             log_cerr=sys.stderr)

参数说明¶

data¶

• 描述： 包含输入数据集的文件或矩阵。
• 可能类型： catboost.Pool
• 默认值： 必填参数 1

metrics¶

• 描述： 要计算的指标列表。
• 可能类型： list of string
• 默认值： 必填参数 1

ntree_start¶

• 描述： 要减少模型应用或指标计算时使用的树的数量，请将树索引范围设置为 [ntree_start; ntree_end)，并将要使用的树的步长设置为 eval_period。此参数定义应用模型或计算指标时要使用的第一棵树的索引（范围的包含左边界）。索引从零开始。
• 可能类型： int
• 默认值： 0 1

ntree_end¶

• 描述： 要减少模型应用或指标计算时使用的树的数量，请将树索引范围设置为 [ntree_start; ntree_end)，并将要使用的树的步长设置为 eval_period。此参数定义应用模型或计算指标时**不**使用的第一棵树的索引（范围的独占右边界）。索引从零开始。
• 可能类型： int
• 默认值： 0（要使用的最后一棵树的索引等于模型中的树的数量减一） 1

eval_period¶

• 描述： 要减少模型应用或指标计算时使用的树的数量，请将树索引范围设置为 [ntree_start; ntree_end)，并将要使用的树的步长设置为 eval_period。此参数定义应用模型或计算指标时要使用的树的步长。例如，假设设置了以下参数值：
• ntree_start 设置为 0
• ntree_end 设置为 N（总树数量）
• eval_period 设置为 2 在这种情况下，将为以下树范围计算指标：[0, 2)，[0, 4)，...，[0, N)
• 可能类型： int
• 默认值： 1（树按顺序应用：第一棵树，然后前两棵树，依此类推） 1

thread_count¶

• 描述： 用于操作的线程数。优化执行速度。此参数不影响结果。
• 可能类型： int
• 默认值： -1（线程数等于处理器核心数） 1

log_cout¶

• 描述： 用于输出标准 C++ 流的对象。
• 可能类型： object
• 默认值： sys.stdout 1

log_cerr¶

• 描述： 用于输出错误 C++ 流的对象。
• 可能类型： object
• 默认值： sys.stderr 1

返回值类型¶

eval_metrics 方法返回一个字典，其中包含每个指标的计算结果。每个指标的值是一个数组，其长度等于 (ntree_end - ntree_start) / eval_period。 1

示例¶

from catboost import Pool, CatBoostClassifier

train_data = [[0, 3],
              [4, 1],
              [8, 1],
              [9, 1]]
train_labels = [0, 0, 1, 1]

eval_data = [[1, 3],
             [4, 2],
             [8, 2],
             [8, 3]]

eval_labels = [1, 0, 0, 1]

train_dataset = Pool(train_data, train_labels)

eval_dataset = Pool(eval_data, eval_labels)

model = CatBoostClassifier(iterations=100, learning_rate=0.1)
model.fit(train_dataset, verbose=False)

model.eval_metrics(eval_dataset, ['Logloss', 'AUC'])

这个示例展示了如何使用 eval_metrics 方法计算验证数据集上的 Logloss 和 AUC 指标。 1