Proprietà xgboostlinearnode

Icona nodo XGBoost Linear XGBoost Linear© rappresenta un'implementazione avanzata di un algoritmo gradient boosting con un modello lineare come modello di base. Gli algoritmi Boosting rilevano in modo interattivo i classificatori deboli e li aggiungono ai classificatori forti finali. Il nodo XGBoost Linear in SPSS Modeler è implementato in Python.

Tabella 1. proprietà xgboostlinearnode
`xgboostlinearnode` Proprietà	Tipo di dati	Descrizione proprietà
`custom_fields`	booleano	Questa opzione indica al nodo di utilizzare le informazioni di campo specificate qui invece di quelle fornite in qualsiasi nodo di tipo a monte. Dopo aver selezionato questa opzione, specificare i campi come richiesto.
`target`	campo
`inputs`	campo
`alpha`	Doppia	Il parametro del booster lineare alfa. Specificare un numero qualsiasi `0` o superiore. L'impostazione predefinita è " `0`".
`lambda`	Doppia	Il parametro del booster lineare lambda. Specificare un numero qualsiasi `0` o superiore. L'impostazione predefinita è " `1`".
`lambdaBias`	Doppia	Il parametro del booster lineare di polarizzazione lambda. Specificare un numero qualsiasi. L'impostazione predefinita è " `0`".
`num_boost_round`	intero	Il valore del numero di giri per la costruzione di modelli. Specificare un valore compreso tra `1` e `1000`. L'impostazione predefinita è " `10`".
`objectiveType`	stringa	Il tipo di obiettivo per l'attività di apprendimento. I valori possibili sono`reg:linear`, `reg:logistic`, `reg:gamma`, `reg:tweedie`,`count:poisson`,`rank:pairwise`, `binary:logistic`o `multi`. Si noti che per i bersagli a bandiera è possibile utilizzare solo `binary:logistic` o `multi` . Se si utilizza `multi` , il risultato del punteggio mostrerà i tipi di obiettivo XGBoost ( `multi:softmax` ) e ( `multi:softprob` ).
`random_seed`	intero	Il seme del numero casuale. Qualsiasi numero compreso tra `0` e `9999999`. L'impostazione predefinita è " `0`".
`useHPO`	Booleano	Specificare `true` o `false` per abilitare o disabilitare le opzioni HPO. Se impostato su " `true`", Rbfopt verrà applicato per trovare automaticamente il "miglior" modello SVM a una classe, che raggiunge il valore obiettivo target definito dall'utente con il parametro " `target_objval` ".