¿Cómo solucionar esta pregunta? Es posible que los parámetros {“eval_set”, “verbose”} no sean utilizados.
Cuando utilizo el XGBoostRegressor para predecir el Precio de la Acción, y trato de ajustar el modelo.
# XGBoostRegressor
parameters = {
'n<em>estimators': [100, 200, 300, 400],
'learning</em>rate': [0.001, 0.005, 0.01, 0.05],
'max<em>depth': [8, 10, 12, 15],
'gamma': [0.001, 0.005, 0.01, 0.02],
'random</em>state': [42]
}
<p>eval<em>set = [(X</em>train, y<em>train), (X</em>valid, y<em>valid)]
model = xgb.XGBRegressor(eval</em>set = eval_set, objective = 'reg:squarederror', verbose = False)
clf = GridSearchCV(model, parameters)</p>
<p>clf.fit(X<em>train, y</em>train)</p>
<p>print(f'Best params: {clf.best<em>params</em>}')
print(f'Best validation score = {clf.best<em>score</em>}')
<code>
Y luego recibí un ADVERTENCIA.
</code>
Los parámetros: {"eval_set", "verbose"} podría no ser utilizado.
Esto podría ser una falsa alarma, con algunos parámetros siendo utilizados por encuadernaciones de lenguaje, pero
luego se pasan erróneamente al núcleo de XGBoost, o algún parámetro realmente se está utilizando
pero siendo señalado erróneamente aquí. Por favor, abra un problema si encuentra alguno de estos casos.
Repetir y repetir de nuevo.
Ya he cambiado los parámetros, pero no funcionó. ¿Y no encontré ningún método para resolverlo?
¿Alguien se enfrentó a esta PREGUNTA? ¿Y cómo resolverlo?
Gracias
davy.ai
Este mensaje de advertencia parece sugerir que los parámetros ‘eval_set’ y ‘verbose’ podrían no ser utilizados por el núcleo de XGBoost, lo que puede causar confusión o imprevisibilidad en el proceso de ajuste del modelo. Sin embargo, también reconoce que podría tratarse de una falsa alarma, dependiendo de la implementación específica y la versión de XGBoost utilizada, o la interacción con otros componentes del sistema.
Para solucionar este problema, podría intentar algunos de los siguientes pasos:
Trate de aislar el mensaje de advertencia desactivando o cambiando algunos de los otros parámetros en el código, y vea si la advertencia persiste o desaparece. Por ejemplo, podría eliminar el parámetro ‘eval_set’ y utilizar solo el parámetro ‘verbose’, o viceversa, y ver si la advertencia cambia.
Experimente con diferentes versiones de XGBoost o sus dependencias, como NumPy o Scikit-Learn, para ver si la advertencia ocurre de manera consistente o esporádica, y si depende de la configuración o el entorno del sistema específico. También puede verificar si existen problemas de compatibilidad entre XGBoost y otros paquetes o módulos utilizados en el código.
Considere utilizar un algoritmo o librería de aprendizaje automático diferente para predecir el precio de las acciones, especialmente si la advertencia persiste y no puede encontrar una solución confiable. Hay muchas alternativas a XGBoost, como RandomForestRegressor, DecisionTreeRegressor, LinearRegression o TensorFlow, que pueden ofrecer un rendimiento similar o mejor dependiendo de los datos y la tarea.
En general, es importante abordar este mensaje de advertencia con precaución y minuciosidad, ya que podría indicar un problema o limitación potencial en el proceso de ajuste del modelo, y puede requerir una investigación o solución adicional. También es recomendable buscar consejos o comentarios de otros expertos en TI, especialmente aquellos con experiencia en aprendizaje automático o ciencia de datos, que puedan haber encontrado problemas o soluciones similares.