Docs
...
xgboostlinearnode properties

propriétés xboostlinearnode

Dernière mise à jour : 12 févr. 2025
propriétés xboostlinearnode

Icône du noeud XGBoost LinearXGBoost 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
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 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 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.