0 / 0
Torna alla versione inglese della documentazione
proprietà di xgboostlinearnode
Ultimo aggiornamento: 07 ott 2024
proprietà di xgboostlinearnode

Icona nodo XGBoost LinearXGBoost Linear© rappresenta un'implementazione avanzata di un algoritmo gradient boosting con un modello lineare come modello di base. Gli algoritmi Boosting rilevano in modo interattivo i classificatori deboli e li aggiungono ai classificatori forti finali. Il nodo XGBoost Linear in SPSS Modeler è implementato in Python.

Tabella 1. proprietà xgboostlinearnode
Proprietà di xgboostlinearnode Tipo di dati Descrizione proprietà
custom_fields booleano Questa opzione indica al nodo di utilizzare le informazioni sui campi specificate qui al posto di quelle date in un qualsiasi nodo Tipo upstream. Dopo aver selezionato questa opzione, specificare i campi come richiesto.
target campo  
inputs campo  
alpha Doppio Il parametro booster linear alpha. Specificare 0 o un valore maggiore. L'impostazione predefinita è 0.
lambda Doppio Il parametro booster linear lambda. Specificare 0 o un valore maggiore. L'impostazione predefinita è 1.
lambdaBias Doppio Il parametro booster linear di distorsione lambda. Specificare qualsiasi numero. Il valore predefinito è 0.
num_boost_round intero Il numero di iterazioni boost per la creazione del modello. Specificare un valore compreso tra 1 e 1000. Il valore predefinito è 10.
objectiveType Stringa Il tipo di obiettivo per l'attività di apprendimento. I valori possibili sonoreg:linear, reg:logistic, reg:gamma, reg:tweedie,count:poisson,rank:pairwise, binary:logistico multi. Notare che per gli obiettivi indicatore, è possibile utilizzare solo binary:logistic o multi. Se si utilizza multi, il risultato del punteggio mostrerà i tipi di obiettivo XGBoost multi:softmax e multi:softprob.
random_seed intero Il seed random. Qualsiasi numero compreso tra 0 e 9999999. Il valore predefinito è 0.
useHPO Booleano Specificare true o false per abilitare o disabilitare le opzioni HPO. Se impostato su true, Rbfopt verrà applicato per ricercare automaticamente il "miglior" modello One-Class SVM che raggiunge il valore obiettivo definito dall'utente con il parametro target_objval.