właściwości węzła rfnode

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

właściwości węzła rfnode

Last updated: 04 lip 2023

właściwości węzła rfnode

Ikona węzła lasu losowego Węzeł Las losowy korzysta z zaawansowanej implementacji algorytmu agregacji (bagging), która jako model bazowy wykorzystuje model drzewa. Ten węzeł modelowania losowego lasu w programie SPSS Modeler jest implementowany w języku Python i wymaga biblioteki scikit-learn© Python .

Tabela 1. właściwości węzła rfnode
Właściwości węzła `rfnode`	Typ danych	Opis właściwości
`custom_fields`	boolean (boolowskie)	Ta opcja stanowi dla węzła instrukcję o konieczności użycia informacji o zmiennej określonych w tym miejscu, a nie w żadnym wcześniejszym węźle Typy. Po wybraniu tej opcji należy określić następujące pola w zależności od potrzeb.
`inputs`	field (pole)	Lista nazw zmiennych dla wartości wejściowych.
`target`	field (pole)	Jedna nazwa pola dla celu.
`fast_build`	boolean (boolowskie)	Korzystanie z wielu rdzeni procesora w celu udoskonalenia budowania modelu.
`role_use`	łańcuch	Określenie wartości `predefined` pozwala na użycie ról predefiniowanych, a wartości `custom` na użycie niestandardowych przypisań zmiennych. Wartość domyślna to predefined.
`splits`	field (pole)	Lista nazw zmiennych do podziału.
`n_estimators`	liczba całkowita	Liczba drzew do utworzenia. Wartością domyślną jest `10`.
`specify_max_depth`	Wartość boolowska	Określenie niestandardowej głębokości maksymalnej. Wartość `false` powoduje, że węzły są rozbudowywane do czasu, aż wszystkie węzły będą puste lub wszystkie węzły będą zawierać mniej niż `min_samples_split` prób. Wartością domyślną jest `false`.
`max_depth`	liczba całkowita	Maksymalna głębokość drzewa. Wartością domyślną jest `10`.
`min_samples_leaf`	liczba całkowita	Minimalna wielkość węzła-liścia. Wartością domyślną jest `1`.
`max_features`	łańcuch	Maksymalna liczba predyktorów, jaka ma być brana pod uwagę przy poszukiwaniu najlepszego podziału: Przy ustawieniu `auto` przyjmuje się `max_features=sqrt(n_features)` dla klasyfikatora i `max_features=sqrt(n_features)` dla regresji. Przy ustawieniu `sqrt` przyjmuje się `max_features=sqrt(n_features)`. Przy ustawieniu `log2` przyjmuje się `max_features=log2 (n_features)`. Wartością domyślną jest `auto`.
`bootstrap`	Wartość boolowska	Użycie prób bootstrapowych przy budowaniu drzew. Wartością domyślną jest `true`.
`oob_score`	Wartość boolowska	Użycie prób spoza zbioru uczącego (out-of-bag, OOB) do oszacowania dokładności uogólnienia. Wartością domyślną jest `false`.
`extreme`	Wartość boolowska	Użycie skrajnie randomizowanych drzew. Wartością domyślną jest `false`.
`use_random_seed`	Wartość boolowska	Ta opcja powoduje, że uzyskiwanie wyniki będą replikowane. Wartością domyślną jest `false`.
`random_seed`	liczba całkowita	Wartość startowa generatora liczb losowych używana podczas budowania drzew. Należy określić dowolną liczbę całkowitą.
`cache_size`	Liczba zmiennopozycyjna	Wielkość pamięci podręcznej jądra w MB. Wartością domyślną jest `200`.
`enable_random_seed`	Wartość boolowska	Włącza parametr `random_seed`. Należy określić wartość true albo false. Wartością domyślną jest `false`.
`enable_hpo`	Wartość boolowska	Należy określić `true` albo `false`, aby włączyć albo wyłączyć opcje HPO. Ustawienie `true` spowoduje zastosowanie Rbfopt w celu automatycznego znalezienia „najlepszego” modelu Las losowy, który osiągnie docelową wartość funkcji celu zdefiniowaną przez użytkownika w następującym parametrze `target_objval`.
`target_objval`	Liczba zmiennopozycyjna	Wartość funkcji celu (wskaźnik błędu modelu dla prób), którą chcemy osiągnąć (na przykład wartość nieznanego optimum). Ustaw ten parametr na odpowiednią wartość, jeśli optymalna wartość jest nieznana (na przykład `0.01`).
`max_iterations`	liczba całkowita	Maksymalna liczba iteracji na modelu. Wartością domyślną jest `1000`.
`max_evaluations`	liczba całkowita	Określa, ile razy maksymalnie zostanie wyznaczona wartość funkcji na modelu, w sytuacji gdy ważniejsza od szybkości jest dokładność. Wartością domyślną jest `300`.