[从GLM的角度来看，我在构建数据驱动的模型方面有很多经验（类似于用于购买某些商品的消费者的转换模型。
[通常，我使用的数据集来自几年，因此潜在的功能之一是“ YearOfBusiness”。在构建模型时，我始终注意，单个GLM功能在不同的YOB上显示出相同的趋势，因此我可以假定这些功能实际上在显示非随机行为。假设在任何年份的数据中，男性对女性的影响始终是feat（m） [当前，我正在与XGboost一起玩耍，以更好地了解它的功能以及如何从中受益。 我的问题是：对于是否在GLM中包含功能，随时间推移的一致性一直是非常重要的测试。在使用XGBoost作为预测算法的设置中，如何测试“随时间推移的一致性”？ 谢谢！
一种测试方法是为一个时间块分配一个标签，为另一个时间标签分配另一个标签；然后在其上拟合xgboost模型。
因此，如果您有2018年和2019年的数据，然后给所有2018数据标签0和2019数据标签1并使用xgboost建立分类模型。建立浅树并注意顶部功能。删除此重要功能并重复。因此，应检查所有具有一定判别力的变量的时间一致性。