rfnode, Eigenschaften | IBM Cloud Pak for Data as a Service

Zurück zur englischen Version der Dokumentation

rfnode, Eigenschaften

Letzte Aktualisierung: 07. Okt. 2024

rfnode, Eigenschaften

Symbol für Random Forest-Knoten Der Random Forest-Knoten verwendet eine erweiterte Implementierung eines Bagging-Algorithmus mit einem Baummodell als Basismodell. Dieser Random Forest-Modellierungsknoten in SPSS Modeler ist in Python implementiert und erfordert die Bibliothek scikit-learn© Python .

Tabelle 1. rfnode, Eigenschaften
`rfnode`Eigenschaften	Datentyp	Eigenschaftsbeschreibung
`custom_fields`	Boolesch	Diese Option weist den Knoten an, die hier angegebenen Feldinformationen anstelle der in einem vorgeordneten Typknoten angegebenen zu verwenden. Geben Sie nach Auswahl dieser Option nach Bedarf die folgenden Felder an.
`inputs`	Feld	Liste der Feldnamen für die Eingabe.
`target`	Feld	Ein Feldname für das Ziel
`fast_build`	Boolesch	Verwenden Sie mehrere CPU-Kerne, um die Modellerstellung zu verbessern.
`role_use`	Zeichenfolge	Geben Sie `predefined`an, um vordefinierte Rollen zu verwenden, oder `custom`, um angepasste Feldzuweisungen zu verwenden. Der Standardwert ist "predefined".
`splits`	Feld	Liste der Feldnamen für die Aufteilung.
`n_estimators`	Ganze Zahl	Zu erstellende Anzahl Bäume. Der Standardwert ist `10`.
`specify_max_depth`	Boolesch	Geben Sie die benutzerdefinierte maximale Tiefe an. Bei `false`werden Knoten erweitert, bis alle Blattelemente rein sind oder bis alle Blattelemente weniger als `min_samples_split`Stichproben enthalten. Der Standardwert ist `false`.
`max_depth`	Ganze Zahl	Die maximale Tiefe des Baums. Der Standardwert ist `10`.
`min_samples_leaf`	Ganze Zahl	Mindestgröße der Blattknoten. Der Standardwert ist `1`.
`max_features`	Zeichenfolge	Die Anzahl der Merkmale, die bei der Suche nach der besten Aufteilung berücksichtigt werden sollen: Wenn`auto`, dann `max_features=sqrt(n_features)`für Klassifikationsmerkmal und `max_features=sqrt(n_features)`für Regression. Wenn`sqrt`, dann`max_features=sqrt(n_features)`. Wenn`log2`, dann`max_features=log2 (n_features)`. Der Standardwert ist `auto`.
`bootstrap`	Boolesch	Bootstrap-Stichproben beim Erstellen von Bäumen verwenden. Der Standardwert ist `true`.
`oob_score`	Boolesch	OOB-Stichproben (Out-of-Bag) zum Schätzen der Generalisierungsgenauigkeit verwenden. Der Standardwert ist`false`.
`extreme`	Boolesch	Extrem randomisierte Bäume verwenden. Der Standardwert ist `false`.
`use_random_seed`	Boolesch	Geben Sie dies an, um replizierte Ergebnisse zu erhalten. Der Standardwert ist `false`.
`random_seed`	Ganze Zahl	Der beim Erstellen von Bäumen zu verwendende Startwert für Zufallszahlen. Geben Sie eine beliebige Ganzzahl an.
`cache_size`	FLOAT	Die Größe des Kernel-Cache in MB. Der Standardwert ist `200`.
`enable_random_seed`	Boolesch	Aktiviert den Parameter `random_seed`. Geben Sie true oder false an. Der Standardwert ist `false`.
`enable_hpo`	Boolesch	Geben Sie `true`oder `false`an, um die HPO-Optionen zu aktivieren oder zu inaktivieren. Wenn der Wert auf `true`gesetzt ist, wird Rbfopt angewendet, um das "beste" Random Forest-Modell automatisch zu ermitteln, das den vom Benutzer mit dem folgenden Parameter `target_objval`definierten Zielwert erreicht.
`target_objval`	FLOAT	Der Zielfunktionswert (Fehlerrate des Modells für die Stichproben), der erreicht werden soll (z. B. der Wert des unbekannten Optimums). Setzen Sie diesen Parameter auf den entsprechenden Wert, wenn das Optimum unbekannt ist (z. B. `0.01`).
`max_iterations`	Ganze Zahl	Maximale Anzahl Iterationen zum Testen des Modells. Der Standardwert ist `1000`.
`max_evaluations`	Ganze Zahl	Maximale Anzahl Funktionsauswertungen zum Testen des Modells, wobei der Fokus weniger auf der Geschwindigkeit, sondern eher auf der Genauigkeit liegt. Der Standardwert ist `300`.