Xgboost n_estimators与显示的树数不匹配

Question

也许我丢失了一些东西，我想不通，需要您的帮助。

我正在使用这些行训练xgb模型

 XGB = xgb.XGBClassifier(objective ='multi:softprob',
                        learning_rate = 0.3,
                        max_depth = 1, 
                        n_estimators = 3,
                        n_jobs = 5)
clf = XGB.fit(X_train, Y_train) 

当我打印XGB模型时，它说我确实训练了3棵树：

XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,
              colsample_bynode=1, colsample_bytree=1, gamma=0,
              learning_rate=0.3, max_delta_step=0, max_depth=1,
              min_child_weight=1, missing=None, n_estimators=3, n_jobs=5,
              nthread=None, objective='multi:softprob', random_state=0,
              reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=None,
              silent=None, subsample=1, verbosity=1)  

但是当我运行此行以查看要素拆分位置时>]

dump_list = clf.get_booster().get_dump()
我得到9行

['0:[f0<0.942677855] yes=1,no=2,missing=1\n\t1:leaf=-0.103566267\n\t2:leaf=0.43779847\n',
 '0:[f0<0.954393268] yes=1,no=2,missing=1\n\t1:leaf=0.200365365\n\t2:leaf=-0.216199294\n',
 '0:[f13<0.651464462] yes=1,no=2,missing=1\n\t1:leaf=0.276390254\n\t2:leaf=-0.219127133\n',
 '0:[f0<0.917573214] yes=1,no=2,missing=1\n\t1:leaf=-0.110939182\n\t2:leaf=0.292450339\n',
 '0:[f0<0.966108799] yes=1,no=2,missing=1\n\t1:leaf=0.135595635\n\t2:leaf=-0.194633663\n',
 '0:[f11<0.6690377] yes=1,no=2,missing=1\n\t1:leaf=0.202725366\n\t2:leaf=-0.196870551\n',
 '0:[f0<0.899163187] yes=1,no=2,missing=1\n\t1:leaf=-0.107093893\n\t2:leaf=0.230380043\n',
 '0:[f0<0.974476993] yes=1,no=2,missing=1\n\t1:leaf=0.10007298\n\t2:leaf=-0.180789232\n',
 '0:[f13<0.588702917] yes=1,no=2,missing=1\n\t1:leaf=0.235898077\n\t2:leaf=-0.177840069\n']
这是否意味着安装了9棵树？

我已经注意到，我在这里得到的行数与数据集中的类数相关。在这里，我使用具有3个类的数据集。当我使用具有2个类的数据集时，我得到6行。这暗示了类数和拟合树数之间的关系，这实际上没有任何意义。所以我的另一个问题是clf.get_booster（）。get_dump（）的输出的解释是什么。

谢谢。

也许我想念一些东西，我想不通，需要您的帮助。我正在使用这些行来训练xgb模型XGB = xgb.XGBClassifier（objective ='multi：softprob'，...

Answer 1

格式对于'get_dumps（）`有点混乱，我相信（虽然不能100％确定）您的树可以看作：