Parece que o XGBoost usa árvores de regressão como alunos básicos por padrão. O XGBoost (ou aprimoramento de gradiente em geral) funciona combinando vários desses alunos de base. As árvores de regressão não podem extrapolar os padrões nos dados de treinamento; portanto, qualquer entrada acima de 3 ou abaixo de 1 não será prevista corretamente no seu caso. Seu modelo é treinado para prever saídas para entradas no intervalo [1,3], uma entrada maior que 3 receberá a mesma saída que 3 e uma entrada menor que 1 receberá a mesma saída que 1.
Além disso, as árvores de regressão realmente não veem seus dados como uma linha reta , pois são modelos não paramétricos, o que significa que eles podem, teoricamente, ajustar-se a qualquer forma que seja mais complicada do que uma linha reta. Aproximadamente, uma árvore de regressão funciona atribuindo seus novos dados de entrada a alguns dos pontos de dados de treinamento vistos durante o treinamento e produzindo a saída com base nisso.
Isso contrasta com os regressores paramétricos (como regressão linear ) que, na verdade, procuram os melhores parâmetros de um hiperplano (linha reta no seu caso) para ajustar seus dados. Regressão linear faz ver os seus dados como uma linha reta com uma inclinação e uma interceptação.
Você pode alterar o aluno base do seu modelo XGBoost para um GLM (modelo linear generalizado) adicionando "booster":"gblinear"ao seu modelo params:
import pandas as pd
import xgboost as xgb
df = pd.DataFrame({'x':[1,2,3], 'y':[10,20,30]})
X_train = df.drop('y',axis=1)
Y_train = df['y']
T_train_xgb = xgb.DMatrix(X_train, Y_train)
params = {"objective": "reg:linear", "booster":"gblinear"}
gbm = xgb.train(dtrain=T_train_xgb,params=params)
Y_pred = gbm.predict(xgb.DMatrix(pd.DataFrame({'x':[4,5]})))
print Y_pred
Em geral, para depurar por que seu modelo XGBoost está se comportando de uma maneira específica, consulte os parâmetros do modelo:
gbm.get_dump()
Se o aluno básico for um modelo linear, a saída get_dump será:
['bias:\n4.49469\nweight:\n7.85942\n']
No seu código acima, como você aprende a base de árvores, a saída será:
['0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=2.85\n\t\t4:leaf=5.85\n\t2:leaf=8.85\n',
'0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=1.995\n\t\t4:leaf=4.095\n\t2:leaf=6.195\n',
'0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=1.3965\n\t\t4:leaf=2.8665\n\t2:leaf=4.3365\n',
'0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=0.97755\n\t\t4:leaf=2.00655\n\t2:leaf=3.03555\n',
'0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=0.684285\n\t\t4:leaf=1.40458\n\t2:leaf=2.12489\n',
'0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=0.478999\n\t\t4:leaf=0.983209\n\t2:leaf=1.48742\n',
'0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=0.3353\n\t\t4:leaf=0.688247\n\t2:leaf=1.04119\n',
'0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=0.23471\n\t\t4:leaf=0.481773\n\t2:leaf=0.728836\n',
'0:[x<3] yes=1,no=2,missing=1\n\t1:[x<2] yes=3,no=4,missing=3\n\t\t3:leaf=0.164297\n\t\t4:leaf=0.337241\n\t2:leaf=0.510185\n',
'0:[x<2] yes=1,no=2,missing=1\n\t1:leaf=0.115008\n\t2:[x<3] yes=3,no=4,missing=3\n\t\t3:leaf=0.236069\n\t\t4:leaf=0.357129\n']
Dica: Na verdade, prefiro usar as classes xgb.XGBRegressor ou xgb.XGBClassifier, pois seguem a API de aprendizado do sci-kit . E como o sci-kit learn tem tantas implementações de algoritmos de aprendizado de máquina, o uso do XGB como uma biblioteca adicional não perturba meu fluxo de trabalho somente quando eu uso a interface do sci-kit do XGBoost.