在通过外部内存通过 xgb.ExtMemDMatrix() 或通过 xgb.QuantileDMatrix.from_iterator() 构建 DMatrix 时，用作数据迭代器提供批处理数据的辅助函数。
此函数只能在构建通过外部内存构建 DMatrix 时，在回调函数（作为参数传递给函数 xgb.DataIter() 来构建数据迭代器）内部调用 - 否则，应该调用 xgb.DMatrix() 或 xgb.QuantileDMatrix()。
直接调用此函数产生的对象不像 xgb.DMatrix - 即不能用于训练模型，也不能用于获取预测 - 唯一可能的使用方式是向迭代器提供数据，然后由迭代器构建 DMatrix。
有关更多信息和用法示例，请参阅 xgb.ExtMemDMatrix() 的文档。
用法
xgb.DataBatch(
data,
label = NULL,
weight = NULL,
base_margin = NULL,
feature_names = colnames(data),
feature_types = NULL,
group = NULL,
qid = NULL,
label_lower_bound = NULL,
label_upper_bound = NULL,
feature_weights = NULL
)参数
- data
属于此批次的批量数据。
请注意，并非
xgb.DMatrix()支持的所有输入类型都可以传递到此处。支持的类型有matrix，类型为numeric、integer和logical。请注意，对于integer和logical类型，缺失值可能不会自动识别为缺失值 - 有关此内容的详细信息，请参阅xgb.ExtMemDMatrix()中参数missing的文档。data.frame，类型与 'xgb.DMatrix' 支持的类型相同，并对其应用相同的转换。有关此内容的详细信息，请参阅xgb.DMatrix()中参数data的文档。CSR 矩阵，来自 "Matrix" 包的类
dgRMatrix。
- label
训练数据的标签。对于分类问题，应编码为从零开始计数的整数传递。
- weight
每个实例的权重。
请注意，对于排序任务，权重是按组计算的。在排序任务中，每个组（而不是每个数据点）分配一个权重。这是因为我们只关心每个组内数据点的相对顺序，因此为单个数据点分配权重没有意义。
- base_margin
从现有模型进行提升时使用的基本边距。
在多输出模型的情况下，也可以传递多维基本边距。
- feature_names
设置特征名称。覆盖数据框和矩阵中的列名称。
注意：调用
predict时不会按名称引用列，因此无论列名称如何，那里的列顺序必须与构建 DMatrix 时的顺序相同。- feature_types
设置特征类型。
如果
data是data.frame并且未提供feature_types，则特征类型将根据列类型自动推断。否则，可以传递一个字符向量，其长度与
data中的列数相同，可能的值如下"c"，表示分类列。"q"，表示数值列。"int"，表示整数列。"i"，表示逻辑（布尔）列。
请注意，虽然分类类型在模型拟合目的上与其他类型不同，但其他类型不影响生成的模型，但在其他功能（如特征重要性）中会有影响。
重要提示：分类特征（如果通过
feature_types手动指定）必须编码为从零开始计数的整数，并且在将数据传递给predict()时需要应用相同的编码。即使传递factor类型，编码也不会被保存，因此请确保传递给predict的factor列具有相同的levels。- group
所有排序组的组大小。
- qid
数据样本的查询 ID，用于排序。
- label_lower_bound
生存训练的下界。
- label_upper_bound
生存训练的上界。
- feature_weights
设置用于列采样的特征权重。