propriedades xgboostlinearnode

XGBoost Linear nó íconeXGBoost Linear© é uma implementação avançada de um algoritmo de boosting de gradiente com um modelo linear como o modelo base. Os algoritmos de boosting aprendem iterativamente classificadores fracos e os incluem em um classificador forte final. O nó XGBoost Linear no SPSS Modeler é implementado em Python.

Tabela 1. propriedades xgboostlinearnode
propriedades xgboostlinearnode Tipo de dados Descrição da propriedade
custom_fields Booleano Essa opção instrui o nó a utilizar as informações de campo especificadas aqui ao invés das informações fornecidas em qualquer nó ou nós Tipo de envio de dados. Após selecionar essa opção, especifique campos conforme necessário.
target campo  
inputs campo  
alpha Duplo O parâmetro de intensificador linear alpha. Especifique qualquer número 0 ou maior. O patrão é 0.
lambda Duplo O parâmetro de intensificador linear lambda. Especifique qualquer número 0 ou maior. O patrão é 1.
lambdaBias Duplo O parâmetro de intensificador linear de bias lambda. Especifique qualquer número. O padrão é 0.
num_boost_round Número inteiro O valor redondo de impulso num para construção de modelo. Especifique um valor entre 1 e 1000. O padrão é 10.
objectiveType sequência O tipo de objetivo para a tarefa de aprendizagem. Os valores possíveis são reg:linear, reg:logistic, reg:gamma, reg:tweedie, count:poisson, rank:pairwise, binary:logistic ou multi. Observe que para destinos de sinalização, apenas binary:logistic ou multi podem ser usados. Se multi for usado, o resultado da pontuação mostrará os tipos de objetivos XGBoost multi:softmax e multi:softprob.
random_seed Número inteiro O valor inicial de número aleatório. Qualquer número entre 0 e 9999999. O padrão é 0.
useHPO Booleano Especifique true ou false para ativar ou desativar as opções de HPO. Se configurado como true, o Rbfopt será aplicado para descobrir o "melhor" modelo de One-Class SVM automaticamente, que atinge o valor do objetivo de destino definido pelo usuário com o parâmetro target_objval.