我正在使用以下MultiOutputRegressor:

from xgboost import XGBRegressorfrom sklearn.multioutput import MultiOutputRegressor#定义估计器estimator = XGBRegressor(    objective = 'reg:squarederror'    )#定义模型my_model = MultiOutputRegressor(estimator = estimator, n_jobs = -1).fit(X_train, y_train)

我想使用验证集来评估我的XGBRegressor的性能，但我认为MultiOutputRegressor不支持将eval_set传递给fit函数。

在这种情况下，我该如何使用验证集？有没有什么变通方法可以调整XGBRegressor以支持多个输出？

回答：

您可以尝试像这样编辑MultiOutputRegressor对象的fit方法:

from sklearn.utils.validation import _check_fit_paramsfrom sklearn.base import is_classifierfrom sklearn.utils.fixes import delayedfrom joblib import Parallelfrom sklearn.multioutput import _fit_estimatorclass MyMultiOutputRegressor(MultiOutputRegressor):        def fit(self, X, y, sample_weight=None, **fit_params):        """ 拟合模型到数据上。        为每个输出变量拟合一个独立的模型。        参数        ----------        X : {array-like, sparse matrix} of shape (n_samples, n_features)            数据。        y : {array-like, sparse matrix} of shape (n_samples, n_outputs)            多输出目标。一个指示矩阵开启多标签估计。        sample_weight : array-like of shape (n_samples,), default=None            样本权重。如果为None，则样本权重相等。            仅在底层回归器支持样本权重时支持。        **fit_params : dict of string -> object            传递给每个步骤的``estimator.fit``方法的参数。            .. versionadded:: 0.23        返回        -------        self : object        """        if not hasattr(self.estimator, "fit"):            raise ValueError("基础估计器应实现一个fit方法")        X, y = self._validate_data(X, y,                                   force_all_finite=False,                                   multi_output=True, accept_sparse=True)        if is_classifier(self):            check_classification_targets(y)        if y.ndim == 1:            raise ValueError("y必须至少有两个维度以进行多输出回归，但只有一个。")        if (sample_weight is not None and                not has_fit_parameter(self.estimator, 'sample_weight')):            raise ValueError("底层估计器不支持样本权重。")        fit_params_validated = _check_fit_params(X, fit_params)        [(X_test, Y_test)] = fit_params_validated.pop('eval_set')        self.estimators_ = Parallel(n_jobs=self.n_jobs)(            delayed(_fit_estimator)(                self.estimator, X, y[:, i], sample_weight,                **fit_params_validated, eval_set=[(X_test, Y_test[:, i])])            for i in range(y.shape[1]))        return self

然后将eval_set传递给fit方法:

fit_params = dict(        eval_set=[(X_test, Y_test)],         early_stopping_rounds=10        )model.fit(X_train, Y_train, **fit_params)