AWS SageMaker XGBoost多分类算法和num_class超参数错误

我有一个.csv文件,其中包含一个我想与XGBoost和SageMaker一起使用的数据集。这个 data.csv文件的结构有7列。L1、L2、L3、L4、L5、L6,类型。“类型”列有5种类型的字符串,我将使用它们来对推断进行分类。 以下是我的数据转换及其结果:

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
data_r['Type'] = le.fit_transform(data_r['Type'])
data_r['Type']
0      4
1      4
2      4
3      4
....
300    0
301    0
...
1983   3
....
2300   2
2600   1

正如您所看到的,分类特征是用值0,1,2,3,4编码的 我现在把它移到第一列:

data_r = data_r[['Type', 'L1', 'L2', 'L3', 'L4', 'L5', 'L6' ]] 
data_r.head()
    Type,    L1,     L2,    L3,   L4,   L5,    L6   
0      4      1      45     32    19    -3     8
1      4     34      95     -45    9     2     45
2      4      0       5     -3    27    -2     1     
3      4     10      15     -13    7     0     38 
4      4.     78      1      0     43    45    57

然后,我将数据划分为训练、验证和测试,并将其上传到S3。 我还有一个有效的会话和xgb估计器。然后我创建超参数,如下所示:

xgb.set_hyperparameters(
                        max_depth=5,
                        eta=0.2,
                        gamma=4,
                        min_child_weight=6,
                        subsample=0.8,
                        objective='multi:softmax',
                        num_class=4,
                        early_stopping_rounds=10,
                        num_round=100
)

但我得到了一个错误:

SoftMaxMultiClassObj: label must be in [0, num_class).

此代码或数据转换有什么问题?