propriétés xboostlinearnode

Retourner à la version anglaise de la documentation

Dernière mise à jour : 04 oct. 2024

propriétés xboostlinearnode

Icône du noeud XGBoost Linear 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.

Tableau 1. Propriétés de xgboostlinearnode
`xgboostlinearnode`propriétés	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 de celles fournies par un ou des noeuds 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 sont`reg:linear`, `reg:logistic`, `reg:gamma`, `reg:tweedie`,`count:poisson`,`rank:pairwise`, `binary:logistic`ou `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`.