Docs
...
xgboostlinearnode properties

Eigenschaften von "xgboostlinearnode"

Letzte Aktualisierung: 11. Feb. 2025
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
xgboostlinearnodeEigenschaften 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 0an. Der Standardwert ist 0.
lambda Double Der lineare Boosting-Parameter "lambda". Geben Sie eine beliebige Zahl ab 0an. 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 sindreg:linear, reg:logistic, reg:gamma, reg:tweedie,count:poisson,rank:pairwise, binary:logisticodermulti. Beachten Sie, dass für Flagziele nur binary:logisticoder multiverwendet werden kann. Wenn multiverwendet wird, zeigt das Scoreergebnis die Zieltypen multi:softmaxund multi:softprobXGBoost an.
random_seed Ganze Zahl Der Startwert für Zufallszahlen. Eine beliebige Zahl zwischen 0und9999999. Der Standardwert ist 0.
useHPO Boolesch Geben Sie trueoder falsean, um die HPO-Optionen zu aktivieren oder zu inaktivieren. Wenn der Wert auf truegesetzt ist, wird Rbfopt angewendet, um automatisch das "beste" SVM-Modell einer Klasse zu ermitteln, das den vom Benutzer mit dem Parameter target_objvaldefinierten Zielwert erreicht.