问题描述
我想将 catboost 回归器用于保险应用（泊松目标）。由于我需要修复曝光，我该如何设置 log_exposure 的偏移量？使用 xgboost 时，我使用“base_margin”，而对于 lightgbm，我使用“init_score”参数。 catboost 中是否有等价物？
解决方法
只需在您的 CatBoostRegressor 模型上使用“set_scale_and_bias(scale,bias)”方法。 bias 参数将设置模型预测结果的偏移量，而 scale 参数应保留为默认值，即 1。 对于您的保险泊松目标，偏差应设置为 log(exposure)。
在此处查看更多详细信息：CatBoost documentation
,查看文档后，我找到了一个可行的解决方案。 CatBoostRegressor 和 CatboostClassifier 的 fit 方法都提供了一个 baseline 和一个 sample_weight 参数，可以直接用于设置偏移量（用于之前的曝光）或样本权重（用于严重性建模）。
顺便说一句，最佳方法是创建 Pool 并在那里提供偏移量和权重的规范：
freq_train_pool = Pool(data=freq_train_ds,label=claim_nmb_train.values,cat_features=xvars_cat,baseline=claim_model_offset_train.values)
freq_valid_pool = Pool(data=freq_valid_ds,label=claim_nmb_valid.values,baseline=claim_model_offset_valid.values)
freq_test_pool = Pool(data=freq_test_ds,label=claim_nmb_test.values,baseline=claim_model_offset_test.values)
此处的 data 参数仅包含带有预测变量的 pd.DataFrame，label 是声明的实际数量，cat_features 是指定分类术语的字符列表和 { {1}} 项是日志暴露的 np.array。它有效。
使用池允许在 fit 方法中提供评估集。