propriedades do xgboosttreenode

Ícone do nó do XGBoost TreeO XGBoost Tree© é uma implementação avançada de um algoritmo de aumento de gradiente com um modelo de árvore como modelo base. Os algoritmos de reforço aprendem iterativamente classificadores fracos e depois os adicionam a um classificador forte final. O XGBoost Tree é muito flexível e fornece muitos parâmetros que podem ser excessivos para a maioria dos usuários, portanto, o nó XGBoost Tree em SPSS Modeler expõe os principais recursos e os parâmetros mais usados. O nó é implementado em Python.

Tabela 1. propriedades xgboosttreenode
xgboosttreenode properties Tipo de dados Descrição da propriedade
custom_fields booleano Essa opção instrui o nó a usar as informações de campo especificadas aqui em vez daquelas fornecidas em qualquer nó de tipo upstream. Após selecionar essa opção, especifique os campos conforme necessário.
target campo Os campos de destino.
inputs campo Os campos de entrada.
tree_method sequência O método de árvore para a criação de modelos. Os valores possíveis são auto, exact, ou approx. O padrão é auto.
num_boost_round número inteiro O valor arredondado do aumento numérico para a construção de modelos. Especifique um valor entre 1 e 1000. O padrão é 10.
max_depth número inteiro A profundidade máxima para o crescimento da árvore. Especifique um valor de 1 ou superior. O padrão é 6.
min_child_weight Duplo O peso mínimo da criança para o crescimento da árvore. Especifique um valor de 0 ou superior. O padrão é 1.
max_delta_step Duplo A etapa delta máxima para o crescimento da árvore. Especifique um valor de 0 ou superior. O padrão é 0.
objective_type sequência O tipo de objetivo para a tarefa de aprendizado. Os valores possíveis sãoreg:linear, reg:logistic, reg:gamma, reg:tweedie,count:poisson,rank:pairwise, binary:logistic, ou multi. Observe que, para alvos de sinalização, somente binary:logistic ou multi podem ser usados. Se multi for usado, o resultado da pontuação mostrará os tipos de objetivo multi:softmax e multi:softprob XGBoost.
early_stopping Booleano Se deve usar a função de parada antecipada. O padrão é False.
early_stopping_rounds número inteiro O erro de validação precisa diminuir pelo menos a cada rodada de parada antecipada para continuar o treinamento. O padrão é 10.
evaluation_data_ratio Duplo Proporção de dados de entrada usados para erros de validação. O padrão é 0.3.
random_seed número inteiro A semente do número aleatório. Qualquer número entre 0 e 9999999. O padrão é 0.
sample_size Duplo A subamostra para controle de sobreajuste. Especifique um valor entre 0.1 e 1.0. O padrão é 0.1.
eta Duplo O eta para controle de sobreajuste. Especifique um valor entre 0 e 1. O padrão é 0.3.
gamma Duplo O gamma para controle de sobreajuste. Especifique qualquer número 0 ou maior. O padrão é 6.
col_sample_ratio Duplo O colsample por árvore para controlar o overfitting. Especifique um valor entre 0.01 e 1. O padrão é 1.
col_sample_level Duplo O colsample por nível para controlar o overfitting. Especifique um valor entre 0.01 e 1. O padrão é 1.
lambda Duplo O lambda para controle de sobreajuste. Especifique qualquer número 0 ou maior. O padrão é 1.
alpha Duplo O alfa para controle de sobreajuste. Especifique qualquer número 0 ou maior. O padrão é 0.
scale_pos_weight Duplo O peso do pos de escala para lidar com conjuntos de dados desequilibrados. O padrão é 1.
use_HPO