我训练我的 XGBoostClassifier()。如果我的测试集有：

0: 100 
1: 884

它试图预测 210 个 1。大约 147 个错误（假阳性）和 63 个正确预测的 1（真阳性）。

然后我增加我的测试样本：

0: 15,000
1: 884

它试图预测 56 个 1。大约 40 个是错误的（假阳性），16 个 1 是正确预测的（真阳性）。

我错过了什么吗？一些理论？关于如何使用的一些指示model.predict(X_test)？

它是否在某处说 - 如果您尝试预测 10 个项目会比您尝试预测 10000 个项目更努力？model.predict(X_test)如果乔·史密斯的预测伴随着多 8000 行，在什么情况下会给我一个不同的结果？

我使用的代码如下：

from xgboost import XGBClassifier
xgb = XGBClassifier(subsample=0.75,scale_post_weight=30,min_child_weight=1,max_depth=3,gamma=5,colsample_bytree=0.75)
model = xgb.fit(X_train,y_train)
y_pred_output = model.predict(X_test)
cm = confusion_matrix(y_test, y_pred_output)

y_pred_output2 = model.predict(X_test2) #contains the same 884 1's plus 14500 more rows with 0's as the target value
cm = confusion_matrix(y_test2, y_pred_output2)

它产生两个不同的矩阵：

#Confusion matrix for y_test with 15000 0's and 884 1's
[[14864   136]
 [  837    47]]

#Confusion matrix for y_test with 500 0's and 884 1's
[[459  41]
 [681 203]]

请注意，两次尝试都使用了相同的 884 个肯定类项目。为什么仅仅因为我们现在在 X_test 上有更多的负数，真正的正数会下降到 47？