Retourner à la version anglaise de la documentationpropriétés xboostlinearnode
propriétés xboostlinearnode
Dernière mise à jour : 07 oct. 2024
XGBoost Linear© est une implémentation avancée d'un algorithme de boosting de gradient qui utilise un modèle linéaire comme modèle de base. Les algorithmes de boosting forment les classificateurs faibles de manière itérative et les ajoutent ensuite à un classificateur fort final. Le noeud Linear XGBoost dans SPSS Modeler est implémenté dans Python.
xgboostlinearnodepropriétés |
Type de données | Description de la propriété |
|---|---|---|
custom_fields |
Booléen | Cette option indique au noeud d'utiliser les informations du champ spécifiées ici au lieu des informations données dans un noeud type en amont. Après avoir sélectionné cette option, indiquez les champs requis. |
target |
Zone | |
inputs |
Zone | |
alpha |
Double | Paramètres du booster linéaire alpha. Indiquez un nombre 0 ou supérieur. La valeur par défaut est 0. |
lambda |
Double | Paramètres du booster linéaire lambda. Indiquez un nombre 0 ou supérieur. La valeur par défaut est 1. |
lambdaBias |
Double | Paramètres du booster linéaire biais lambda. Indiquez n'importe quel nombre. La valeur par défaut est 0. |
num_boost_round |
Integer | Valeur du nombre d'itérations de boosting pour la génération de modèle. Indiquez une valeur entre 1 et 1000. La valeur par défaut est 10. |
objectiveType |
chaîne | Type d'objectif de la tâche d'apprentissage. Les valeurs possibles sontreg:linear, reg:logistic, reg:gamma, reg:tweedie,count:poisson,rank:pairwise, binary:logisticou multi. Notez que pour les cibles d'indicateur, seules binary:logistic ou multi peuvent être utilisées. Si multi est utilisé, le résultat du score affiche les types objectifs multi:softmax et multi:softprob XGBoost. |
random_seed |
Integer | Valeur de départ aléatoire. N'importe quel nombre entre 0 et 9999999. La valeur par défaut est 0. |
useHPO |
Booléen | Spécifiez true ou false pour activer ou désactiver les options HPO. Si ce paramètre est défini sur true, Rbfopt est appliqué pour rechercher automatiquement le « meilleur » modèle SVM de classe unique, qui atteint la valeur d'objectif cible définie par l'utilisateur avec le paramètre target_objval. |