XGBoost Ranker不流畅

Question

我有以下围绕棒球的玩具问题。

在这个棒球数据集中，我有很多有关比赛成绩的数据，在很多年中，我能够每次收集以下信息：

1. 每支球队的最终排名参加了
2. 整个比赛中该球队的击球平均值。

让我们在这次旅行社2005年世界杯，8支球队参加，我可以生成以下数据框架：

Tourny, Team, Rank, Batting Avg,
2005-WC, Jays, 1, 0.45,
2005-WC, Cards, 2, 0.25,
2005-WC, Ravens, 3, 0.85,
2005-WC, Crows, 4, 0.23,
2005-WC, Jays, 5, 0.11,
...

然后，如果我有不同年份的多个巡回赛，那么我就可以扩展列表并获取大量数据。

然后，我可以问一个问题，击球平均值对于预测团队的最终排名有用吗？

这似乎是Xgbranker应该能够回答的问题。

然后，我们可以通过以下内容使用一些香草Xgbranker插入此数据：

model = xgb.XGBRanker( 
    max_depth = 10,
    learning_rate = 0.01,
    n_estimators = 100, 
    objective='rank:pairwise',
    booster = 'gbtree',
    gamma = 5,
    min_child_weight=1,
    subsample=0.1,
    colsample_bytree = 1,
    reg_alpha = 0.5,
    reg_lambda = 0.5,
    base_score = 0.5,
    seed = 42,
    )

X_train = df['Batting Avg']
Y_train = df['Rank]
groups = [number of entries per tourney]

model.fit(X_train.values, Y_train.values, group=groups)

经过适当的培训（非常快） 我们进行以下情节，以查看排名如何随球队的击球平均值而变化。

x = np.arange(0, 1, 0.001) 
y = model.predict(x)
plot(x,y)

作为一般语句，我们的归一化X值（这就是为什么图不是0-1）表明，大致，更好的击球平均值，更好的等级！正是我们期望的：

但是，如果您开始放大，则开始发现极其不希望的特征。 也就是说，击球平均值的很小变化可以极大地改变您的排名，尽管我们并不希望完全单调的结果，但鉴于只有1个参数，我们确实期望会变得更加平滑。

有人可以帮我理解这一点吗？从表面上看，绝对没有错，但这些不是理想的特征。我不是要求单一性的，但是让图更顺畅的是更加直观。

我需要进行哪种参数才能使其变得更好？

对于参考，我正在使用Python。