xgboost：更加重视最近的样本

在使用xgboost分析数据时，是否可以增加对较新点的重视程度？

您可以尝试构建多个xgboost模型，其中一些模型仅限于最新数据，然后将这些结果加权在一起。另一个想法是制定一个定制的评估指标，以更严厉地惩罚最近的分数，这将使它们更加重要。

只需将基于时间标签的权重添加到xgb.DMatrix。以下示例使用R编写，但相同的原理适用于Python或Julia上的xgboost。

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)

在Python上，您有一个不错的scikit-learn包装器，因此您可以这样编写：

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

您可以从这里获得更多信息：http : //xgboost.readthedocs.io/en/latest/python/python_api.html#xgboost.XGBClassifier.fit