我正在尝试比较两种不同的功能集，以将客户分类为高价值，中价值和低价值。这是我使用的代码：
ltv_xgb_model = xgb.XGBClassifier(max_depth=5, learning_rate=0.1,objective='multi:softmax',n_jobs=-1).fit(X_train, y_train)
第一个数据集的训练数据有11个客户，测试数据有2个客户。尽管客户数量有限，但分类器仍可以为其中一组功能实现50％的精度。
第二个数据集在训练数据中有14个客户，在测试数据中有2个客户。尽管我们有一个更大的训练集，但分类器抛出了一个错误：
XGBoostError：参数num_class的值0应该大于等于1
论坛上的先前帖子已经提到.fit（）方法自动设置num_class参数。参见此处：XGBClassifier num_class is invalid。因此，问题似乎是由其他原因引起的。
有人知道问题出在哪里吗？任何帮助表示赞赏！
原因是因为XGBoost根据您提供的训练数据来推导课程数量。对于multi:softmax，最小类数应为3（如果您有2个类，则应使用二进制分类目标）。因此，这里最有可能的问题是，在您的数据集中，您只有2个或更少的唯一值作为目标。
通常，数据集的11和14元素很小。我强烈建议不要在这种规模上训练ML模型。如果您想用很少的训练样本来真正检查模型的质量，则应该进行完全留一法的交叉验证（即，以相同的方式训练模型，而没有一个示例，并在该示例上测试结果模型） 。如果结果对您来说看起来不错（但很可能不会）-那么您可以在完整数据集上训练模型并使用该模型。