xgboost4j 使用multi:softmax 目标函数进行预测Java代码示例

XGBoost是一个开源的、高效的梯度提升决策树（GBDT）库，它支持多种语言接口，包括Java。在XGBoost中，`multi:softmax` 是一种用于多分类问题的目标函数。

下面是一个使用XGBoost4J进行多分类预测的Java代码示例：

import ml.dmlc.xgboost4j.java.*;
import java.util.HashMap;
import java.util.Map;

public class XGBoostMultiClassExample {
    public static void main(String[] args) throws XGBoostError {
        // 加载训练数据
        DMatrix trainData = new DMatrix("train.svm");
        DMatrix testData = new DMatrix("test.svm");

        // 设置参数
        Map<String, Object> params = new HashMap<>();
        params.put("eta", 0.1);
        params.put("max_depth", 6);
        params.put("objective", "multi:softmax");
        params.put("num_class", 3); // 假设有3个类别
        params.put("eval_metric", "mlogloss");

        // 设置训练轮数
        int numRound = 10;

        // 训练模型
        Booster booster = XGBoost.train(trainData, params, numRound, new HashMap<>(), null, null);

        // 进行预测
        float[][] predictions = booster.predict(testData);

        // 输出预测结果
        for (float[] prediction : predictions) {
            System.out.println("Predicted class probabilities: ");
            for (float prob : prediction) {
                System.out.print(prob + " ");
            }
            System.out.println();
        }
    }
}

在这个例子中，我们首先加载了训练和测试数据，然后设置了XGBoost的参数，其中`objective`设置为`multi:softmax`表示我们使用的是多分类的softmax目标函数。`num_class`参数指定了类别的数量。之后，我们训练了一个XGBoost模型，并使用该模型对测试数据进行了预测。最后，我们打印出了每个样本的预测概率。

请注意，你需要根据自己的数据集调整文件路径、参数等配置。此外，确保已经将XGBoost4J库添加到你的项目中。