关于LGBMRanker objective用binary的疑问

[jt120]

大佬，我看你用了LGBMRanker，objective又是binary，是为了加group吗？

这样可以把不同数量的用户，分到不同的组？

lgb_ranker = lgb.LGBMRanker(
        boosting_type='gbdt', num_leaves=31, reg_alpha=0.0, reg_lambda=1,
        max_depth=-1, n_estimators=300, objective='binary',
        subsample=0.7, colsample_bytree=0.7, subsample_freq=1,
        learning_rate=0.01, min_child_weight=50, random_state=2018,
        n_jobs=-1) 


g_train = train_final_df.groupby(['user_id'], as_index=False).count()["label"].values

[xuetf]

大佬，我看你用了LGBMRanker，objective又是binary，是为了加group吗？

这样可以把不同数量的用户，分到不同的组？

lgb_ranker = lgb.LGBMRanker(
        boosting_type='gbdt', num_leaves=31, reg_alpha=0.0, reg_lambda=1,
        max_depth=-1, n_estimators=300, objective='binary',
        subsample=0.7, colsample_bytree=0.7, subsample_freq=1,
        learning_rate=0.01, min_child_weight=50, random_state=2018,
        n_jobs=-1) 


g_train = train_final_df.groupby(['user_id'], as_index=False).count()["label"].values

不好意思，这个地方应该是个笔误。objective应该用默认值lambdarank。

[jt120]

2分类的lambdarank？是因为评价指标是NDCG，所以用lambdarank吗？

[xuetf]

2分类的lambdarank？是因为评价指标是NDCG，所以用lambdarank吗？

您好。lambdarank也仅是作为一种尝试。在这个场景下，和直接binary的objective差异确实不是很大，有略微优势。可以尝试看下另一个赛道KDD CUP 2020 multimodal recall(一种方案)。那个场景下用lambdarank可能更适合一些。