我已经使用XGBOOST进行多类别标签预测。
这是一个多标签预测。即我的目标值包含8个类别，我使用了大约6个特征，因为它们与目标值高度相关。
我已经创建了我的预测数据集。我已经使用as.data.frame将其从矩阵转换为数据框。
我想检查我的预测的准确性。我不确定如何做，因为列名会改变，并且我的数据集中没有级别。我使用的所有数据类型都是整数和数值类型。
Response <- train$Response label <- as.integer(train$Response)-1 train$Response <- NULL train.index = sample(n,floor(0.75*n)) train.data = as.matrix(train[train.index,]) train.label = label[train.index]` test.data = as.matrix(train[-train.index,]) test.label = label[-train.index] View(train.label) # Transform the two data sets into xgb.Matrix xgb.train = xgb.DMatrix(data=train.data,label=train.label) xgb.test = xgb.DMatrix(data=test.data,label=test.label) params = list( booster="gbtree", eta=0.001, max_depth=5, gamma=3, subsample=0.75, colsample_bytree=1, objective="multi:softprob", eval_metric="mlogloss", num_class=8) xgb.fit <-xgb.train( params=params, data=xgb.train, nrounds=10000, nthreads=1, early_stopping_rounds=10, watchlist=list(val1=xgb.train,val2=xgb.test), verbose=0 ) xgb.fit xgb.pred = predict(xgb.fit,test.data,reshape = T) class(xgb.pred) xgb.pred = as.data.frame(xgb.pred) """现在我得到了预测概率的形式，由于有8个类别，我有8个概率。我不知道哪个概率属于哪个变量。
1 0.12233257 0.07373134 0.044682350 0.0810693502 0.06272415 0.134308174 0.066143863 0.415008187我想将它们转换为有意义的标签，但我无法做到。为了执行混淆矩阵
回答：
假设你的数据看起来像这样：
train = data.frame( Medical_History_23 = sample(1:5,2000,replace=TRUE), Medical_Keyword_3 = sample(1:5,2000,replace=TRUE), Medical_Keyword_15 = sample(1:5,2000,replace=TRUE), BMI = rnorm(2000), Wt = rnorm(2000), Medical_History_4 = sample(1:5,2000,replace=TRUE), Ins_Age = rnorm(2000), Response = sample(1:8,2000,replace=TRUE)) 然后我们进行训练和测试：
library(xgboost)label <- as.integer(train$Response)-1train$Response <- NULLn = nrow(train)train.index = sample(n,floor(0.75*n))train.data = as.matrix(train[train.index,])train.label = label[train.index]test.data = as.matrix(train[-train.index,])test.label = label[-train.index]xgb.train = xgb.DMatrix(data=train.data,label=train.label)xgb.test = xgb.DMatrix(data=test.data,label=test.label)params = list(booster="gbtree",eta=0.001, max_depth=5,gamma=3,subsample=0.75, colsample_bytree=1,objective="multi:softprob", eval_metric="mlogloss",num_class=8)xgb.fit <-xgb.train(params=params,data=xgb.train, nrounds=10000,nthreads=1,early_stopping_rounds=10, watchlist=list(val1=xgb.train,val2=xgb.test), verbose=0 )xgb.pred = predict(xgb.fit,test.data,reshape = T)你的预测看起来像下面这样，每列是1到8的概率
> head(xgb.pred) V1 V2 V3 V4 V5 V6 V7 V81 0.1254475 0.1252269 0.1249843 0.1247929 0.1246919 0.1248430 0.1248226 0.12519092 0.1255558 0.1249674 0.1250741 0.1250397 0.1249939 0.1247931 0.1248649 0.12471113 0.1249737 0.1250508 0.1249501 0.1250445 0.1250142 0.1249630 0.1249194 0.1250844为了获得预测标签，我们这样做
predicted_labels= factor(max.col(xgb.pred),levels=1:8)obs_labels = factor(test.label,levels=1:8)为了获得混淆矩阵：
caret::confusionMatrix(obs_labels,predicted_labels)当然，这个例子中的准确性会很低，因为变量中没有有用的信息，但代码应该对你有用。
