0 / 0
Go back to the English version of the documentation
Vlastnosti xgbootstasnode
Last updated: 04. 7. 2023
Vlastnosti xgbootstasnode

Ikona uzlu XGBoost-ASXGBoost je rozšířená implementace algoritmu zvýšení gradientu. Posilovací algoritmy iterativně učí slabé klasifikátory a pak je přidávají do konečného silného klasifikátoru. Komponenta XGBoost je velmi flexibilní a poskytuje mnoho parametrů, které mohou být pro většinu uživatelů ohromující, takže uzel XGBoost-AS v produktu SPSS Modeler odkrývá základní funkce a běžně používané parametry. Uzel XGBoost-AS je implementován v Spark.

Tabulka 1. Vlastnosti xgbootstasnode
xgboostasnode vlastnosti Datový typ Popis vlastnosti
target_field pole Seznam názvů polí pro cíl.
input_fields pole Seznam názvů polí pro vstupy.
nWorkers celočíselná hodnota Počet pracovníků použitých pro výcvik modelu XGBoost. Předvolba je 1.
numThreadPerTask celočíselná hodnota Počet použitých podprocesů na pracovníka. Předvolba je 1.
useExternalMemory Logická hodnota Zda se má použít externí paměť jako mezipaměť. Výchozí hodnota je false.
boosterType řetězec Přídavný typ, který se má použít. Dostupné volby jsou gbtree, gblinearnebo dart. Předvolba je gbtree.
numBoostRound celočíselná hodnota Počet kol pro posílení. Zadejte hodnotu 0 nebo vyšší. Předvolba je 10.
scalePosWeight Dvojitá čára Kontrola váhy kladných a záporných vah. Předvolba je 1.
randomseed celočíselná hodnota Osivo použité generátorem náhodných čísel. Výchozí hodnota je 0.
objectiveType řetězec Cíl výuky. Možné hodnoty jsoureg:linear, reg:logistic, reg:gamma, reg:tweedie,rank:pairwise, binary:logistic, nebo multi. Všimněte si, že pro cíle parametrů lze použít pouze binary:logistic nebo multi . Je-li použit příznak multi , výsledek skóre zobrazí typy cílů multi:softmax a multi:softprob XGBoost. Předvolba je reg:linear.
evalMetric řetězec Metriky vyhodnocení pro data ověření platnosti. Výchozí metrika bude přiřazena podle cíle. Možné hodnoty jsou rmse, mae, logloss, error, merror, mlogloss, auc, ndcg, map, nebo gamma-deviance. Předvolba je rmse.
lambda Dvojitá čára Termín regulizace L2 pro váhy. Zvýšením této hodnoty zvýšíme svůj model konzervativnějším. Uveďte libovolné číslo 0 nebo vyšší. Předvolba je 1.
alpha Dvojitá čára Termín regularizace L1 pro váhy. Zvýšením této hodnoty zvýšíme svůj model konzervativnějším. Uveďte libovolné číslo 0 nebo vyšší. Předvolba je 0.
lambdaBias Dvojitá čára Termín regulizace L2 pro posun. Je-li použit typ přídavného zařízení gblinear , je k dispozici tento lambdý lineární přídavný parametr. Uveďte libovolné číslo 0 nebo vyšší. Předvolba je 0.
treeMethod řetězec Je-li použit přídavný typ gbtree nebo dart , je k dispozici tento parametr stromového parametru pro růst stromu (a ostatní parametry stromu, které následují). Určuje algoritmus konstrukce stromu XGBoost, který má být použit. Dostupné volby jsou auto, exactnebo approx. Předvolba je auto.
maxDepth celočíselná hodnota Maximální hloubka pro stromy. Zadejte hodnotu 2 nebo vyšší. Předvolba je 6.
minChildWeight Dvojitá čára Minimální součet váhy instance (hesian) potřebný v podřízeném prvku. Zadejte hodnotu 0 nebo vyšší. Předvolba je 1.
maxDeltaStep Dvojitá čára Maximální rozdílový krok, který umožní odhad hmotnosti každého stromu. Zadejte hodnotu 0 nebo vyšší. Předvolba je 0.
sampleSize Dvojitá čára Dílčí vzorek je poměr úrovně školení. Zadejte hodnotu mezi 0.1 a 1.0. Předvolba je 1.0.
eta Dvojitá čára Zmenšovací velikost kroku použitá během kroku aktualizace, aby se zabránilo přeplnění. Zadejte hodnotu mezi 0 a 1. Předvolba je 0.3.
gamma Dvojitá čára Minimální snížení ztráty požadované k vytvoření další oblasti v koncovém uzlu stromu. Uveďte libovolné číslo 0 nebo vyšší. Předvolba je 6.
colsSampleRatio Dvojitá čára Poměr podvzorku sloupců při konstrukci každého stromu. Zadejte hodnotu mezi 0.01 a 1. Předvolba je1.
colsSampleLevel Dvojitá čára Dílčí vzorek poměru sloupců pro každé rozdělení, v každé úrovni. Zadejte hodnotu mezi 0.01 a 1. Předvolba je 1.
normalizeType řetězec Je-li použit přídavný typ dart, je k dispozici tento parametr dart a následující tři parametry dart. Tento parametr nastavuje normalizační algoritmus. Uveďte tree nebo forest. Předvolba je tree.
sampleType řetězec Typ vzorkovací algoritmu. Uveďte uniform nebo weighted. Předvolba je uniform.
rateDrop Dvojitá čára Posilovací parametr dart posite posirate. Zadejte hodnotu mezi 0.0 a 1.0. Předvolba je 0.0.
skipDrop Dvojitá čára Posilovací parametr dart pro pravděpodobnost, že vynechte dropout. Zadejte hodnotu mezi 0.0 a 1.0. Předvolba je 0.0.
Generative AI search and answer
These answers are generated by a large language model in watsonx.ai based on content from the product documentation. Learn more