Proprietà xgboosttreenode

Icona nodo XGBoost Tree XGBoost Tree© rappresenta un'implementazione avanzata di un algoritmo gradient boosting con un modello struttura ad albero come modello di base. Gli algoritmi Boosting rilevano in modo interattivo i classificatori deboli e li aggiungono ai classificatori forti finali. XGBoost Tree è molto flessibile e fornisce molti parametri che possono essere opprimenti per la maggior parte degli utenti, quindi il nodo XGBoost Tree in SPSS Modeler espone le funzioni principali e i parametri comunemente utilizzati. Il nodo è implementato in Python.

Tabella 1. proprietà xgboosttreenode
`xgboosttreenode` 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 Tipo a monte. Dopo aver selezionato questa opzione, specificare i campi come richiesto.
`target`	campo	I campi target.
`inputs`	campo	I campi di input.
`tree_method`	stringa	Il metodo dell'albero per la costruzione di modelli. I valori possibili sono `auto`, `exact`o `approx`. L'impostazione predefinita è " `auto`".
`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`".
`max_depth`	intero	La profondità massima per la crescita degli alberi. Specificare un valore di `1` o superiore. L'impostazione predefinita è " `6`".
`min_child_weight`	Doppia	Il peso minimo del bambino per la crescita dell'albero. Specificare un valore di `0` o superiore. L'impostazione predefinita è " `1`".
`max_delta_step`	Doppia	Il delta step massimo per la crescita degli alberi. Specificare un valore di `0` o superiore. L'impostazione predefinita è " `0`".
`objective_type`	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` ).
`early_stopping`	Booleano	Se utilizzare la funzione di arresto anticipato. L'impostazione predefinita è " `False`".
`early_stopping_rounds`	intero	L'errore di convalida deve diminuire almeno ad ogni round di arresto anticipato per continuare l'allenamento. L'impostazione predefinita è " `10`".
`evaluation_data_ratio`	Doppia	Razione dei dati di input utilizzati per gli errori di convalida. L'impostazione predefinita è " `0.3`".
`random_seed`	intero	Il seme del numero casuale. Qualsiasi numero compreso tra `0` e `9999999`. L'impostazione predefinita è " `0`".
`sample_size`	Doppia	Il sottocampione per il controllo del sovradimensionamento. Specificare un valore compreso tra `0.1` e `1.0`. L'impostazione predefinita è " `0.1`".
`eta`	Doppia	L'eta per il controllo del sovradimensionamento. Specificare un valore compreso tra `0` e `1`. L'impostazione predefinita è " `0.3`".
`gamma`	Doppia	La gamma per il controllo del sovradimensionamento. Specificare un numero qualsiasi `0` o superiore. L'impostazione predefinita è " `6`".
`col_sample_ratio`	Doppia	Il colsample per albero per il controllo del sovradimensionamento. Specificare un valore compreso tra `0.01` e `1`. L'impostazione predefinita è " `1`".
`col_sample_level`	Doppia	Il controllo del livello di colsample per il controllo del sovrafitting. Specificare un valore compreso tra `0.01` e `1`. L'impostazione predefinita è " `1`".
`lambda`	Doppia	Il lambda per il controllo del sovradimensionamento. Specificare un numero qualsiasi `0` o superiore. L'impostazione predefinita è " `1`".
`alpha`	Doppia	L'alfa per il controllo del sovradimensionamento. Specificare un numero qualsiasi `0` o superiore. L'impostazione predefinita è " `0`".
`scale_pos_weight`	Doppia	La scala pos peso per la gestione di set di dati sbilanciati. L'impostazione predefinita è " `1`".
`use_HPO`