Eigenschaften von "xgboostlinearnode" | IBM Cloud Pak for Data as a Service

Zurück zur englischen Version der Dokumentation

Eigenschaften von "xgboostlinearnode"

Letzte Aktualisierung: 07. Okt. 2024

Eigenschaften von "xgboostlinearnode"

Symbol für Knoten "XGBoost Linear" XGBoost Linear© ist eine erweiterte Implementierung eines Gradienten-Boosting-Algorithmus mit einem linearen Modell als Basismodell. Boosting-Algorithmen lernen iterativ schwache Klassifikationsmerkmale und fügen Sie einem endgültigen starken Klassifikationsmerkmal hinzu. Der Knoten "XGBoost Linear" in SPSS Modeler ist in Python implementiert.

Tabelle 1. xgboostlinearnode, Eigenschaften
`xgboostlinearnode`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 der Auswahl dieser Option die erforderlichen Felder an.
`target`	Feld
`inputs`	Feld
`alpha`	Double	Der lineare Boosting-Parameter "alpha". Geben Sie eine beliebige Zahl ab `0`an. Der Standardwert ist `0`.
`lambda`	Double	Der lineare Boosting-Parameter "lambda". Geben Sie eine beliebige Zahl ab `0`an. Der Standardwert ist `1`.
`lambdaBias`	Double	Der lineare Boosting-Parameter "lambdaBias". Geben Sie eine beliebige Zahl an. Der Standardwert ist `0`.
`num_boost_round`	Ganze Zahl	Der Wert für die Anzahl Boosting-Runden zur Modellerstellung. Geben Sie einen Wert zwischen `1` und `1000` an. Der Standardwert ist `10`.
`objectiveType`	Zeichenfolge	Der Lernzieltyp für die Aufgabe. Mögliche Werte sind`reg:linear`, `reg:logistic`, `reg:gamma`, `reg:tweedie`,`count:poisson`,`rank:pairwise`, `binary:logistic`oder`multi`. Beachten Sie, dass für Flagziele nur `binary:logistic`oder `multi`verwendet werden kann. Wenn `multi`verwendet wird, zeigt das Scoreergebnis die Zieltypen `multi:softmax`und `multi:softprob`XGBoost an.
`random_seed`	Ganze Zahl	Der Startwert für Zufallszahlen. Eine beliebige Zahl zwischen `0`und`9999999`. Der Standardwert ist `0`.
`useHPO`	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 automatisch das "beste" SVM-Modell einer Klasse zu ermitteln, das den vom Benutzer mit dem Parameter `target_objval`definierten Zielwert erreicht.