使用XGBClassifier出现Dataset is empty, or contains only positive or negative samples.错误

问题：

之前在lightgbm中使用了早停early_stopping参数，于是我也想在xgboost中使用类似的方法进行早停，从其他地方找到的代码大致都是这样写的：

from xgboost import XGBClassifier

param = {"objective": "multi:softmax",
            "num_class": 5}

clf = XGBClassifier(**param)

clf.fit(X_train, y_train, eval_set=[(x_val, y_val)], early_stopping_rounds=100)

preds = model.predict(X_val)

acc = accuracy_score(y_val, preds)

此时出现了错误，错误为

WARNING: ../auc.cc:330: Dataset is empty, or contains only positive or negative samples.

（数据集为空，或仅包含正样本或负样本。）

可能的原因：

在处理分类问题时，错误地设置了类别数。例如，在处理二分类问题时，误将n_classs参数设置错误5.

（原因二：类别极不均衡，导致划分之后的训练集中只有一个类别的样本）

解决方法：将类别数修改正确即可

from xgboost import XGBClassifier

param = {"objective": "multi:softmax",
            "num_class": 2}

clf = XGBClassifier(**param)

clf.fit(X_train, y_train, eval_set=[(x_val, y_val)], early_stopping_rounds=100)

preds = model.predict(X_val)

acc = accuracy_score(y_val, preds)

疑问：

发现即便错误地将n_classs参数设置为5，但是只要不使用early_stooping_rounds参数，就不会出现上方的错误，不知道为什么会这样。。

from xgboost import XGBClassifier

param = {"objective": "multi:softmax",
            "num_class": 5}

clf = XGBClassifier(**param)

clf.fit(X_train, y_train)

preds = model.predict(X_val)

acc = accuracy_score(y_val, preds)

这样就不会报错。。