propriedades xgboosttreenode

Ícone do nó do XGBoost TreeXGBoost Tree© é uma implementação avançada de um algoritmo de boosting de gradiente com um modelo de árvore como o modelo base. Os algoritmos de boosting aprendem iterativamente classificadores fracos e os incluem em um classificador forte final. O XGBoost Tree é muito flexível e fornece muitos parâmetros que podem ser assustadores para a maioria dos usuários, assim, o nó do XGBoost Tree no SPSS Modeler expõe os principais recursos e parâmetros comumente usados. O nó é implementado em Python.

Tabela 1. propriedades xgboosttreenode
propriedades xgboosttreenode 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 os campos conforme necessário.
target campo Os campos de destino.
inputs campo Os campos de entrada.
tree_method sequência O método da árvore para construção de modelo. Os valores possíveis são auto, exact ou approx. O padrão é auto.
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.
max_depth Número inteiro A profundidade máxima para o crescimento de árvores. Especifique um valor de 1 ou superior. O patrão é 6.
min_child_weight Duplo O peso infantil mínimo para o crescimento de árvores. Especifique um valor de 0 ou superior. O patrão é 1.
max_delta_step Duplo A etapa delta máximo para o crescimento de árvores. Especifique um valor de 0 ou superior. O patrão é 0.
objective_type 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.
early_stopping Booleano Seja para 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 início(s) de parada antecipada(s) para continuar treinando. O padrão é 10.
evaluation_data_ratio Duplo Razão de dados de entrada usados para erros de validação. O padrão é 0.3.
random_seed Número inteiro O valor inicial de número aleatório. Qualquer número entre 0 e 9999999. O padrão é 0.
sample_size Duplo A subamostra para o superajuste de controle. Especifique um valor entre 0.1 e 1.0. O padrão é 0.1.
eta Duplo A eta para o superajuste de controle. Especifique um valor entre 0 e 1. O padrão é 0.3.
gamma Duplo A gamma para o superajuste de controle. Especifique qualquer número 0 ou maior. O patrão é 6.
col_sample_ratio Duplo A colsample por árvore para o superajuste de controle. Especifique um valor entre 0.01 e 1. O padrão é 1.
col_sample_level Duplo A colsample por nível para o superajuste de controle. Especifique um valor entre 0.01 e 1. O padrão é 1.
lambda Duplo A lambda para o superajuste de controle. Especifique qualquer número 0 ou maior. O patrão é 1.
alpha Duplo O alpha para o superajuste de controle. Especifique qualquer número 0 ou maior. O patrão é 0.
scale_pos_weight Duplo O peso pos escala para manipulação de conjuntos de dados desbalanceados. O padrão é 1.
use_HPO