Eigenschaften von "xgboosttreenode" | IBM Cloud Pak for Data as a Service

Zurück zur englischen Version der Dokumentation

Eigenschaften von "xgboosttreenode"

Letzte Aktualisierung: 07. Okt. 2024

Eigenschaften von "xgboosttreenode"

Knotensymbol 'XGBoost Tree' XGBoost Tree© ist eine erweiterte Implementierung eines Gradienten-Boosting-Algorithmus mit einem Baummodell als Basismodell. Boosting-Algorithmen lernen iterativ schwache Klassifikationsmerkmale und fügen Sie einem endgültigen starken Klassifikationsmerkmal hinzu. XGBoost Tree ist sehr flexibel und bietet viele Parameter, die für die meisten Benutzer überwältigend sein können, sodass der Knoten "XGBoost Tree" in SPSS Modeler die zentralen Funktionen und häufig verwendeten Parameter bereitstellt. Der Knoten ist in Python implementiert.

Tabelle 1. xgboosttreenode, Eigenschaften
`xgboosttreenode`Eigenschaften	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 Auswahl dieser Option die erforderlichen Felder an.
`target`	Feld	Die Zielfelder.
`inputs`	Feld	Die Eingabefelder.
`tree_method`	Zeichenfolge	Die Baummethode für die Modellerstellung. Mögliche Werte sind `auto`, `exact` oder `approx`. Der Standardwert ist `auto`.
`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`.
`max_depth`	Ganze Zahl	Die maximale Tiefe für den Baumaufbau. Geben Sie einen Wert ab `1`an. Der Standardwert ist `6`.
`min_child_weight`	Double	Die minimale Gewichtung untergeordneter Elemente für den Baumaufbau. Geben Sie einen Wert ab `0`an. Der Standardwert ist `1`.
`max_delta_step`	Double	Die maximale Delta-Schritt für den Baumaufbau. Geben Sie einen Wert ab `0`an. Der Standardwert ist `0`.
`objective_type`	Zeichenfolge	Der Lernzieltyp für die Aufgabe. Mögliche Werte sind`reg:linear`, `reg:logistic`, `reg:gamma`, `reg:tweedie`,`count:poisson`,`rank:pairwise`, `binary:logistic`oder`multi`. Beachten Sie, dass für Flagziele nur `binary:logistic`oder `multi`verwendet werden kann. Wenn `multi`verwendet wird, zeigt das Scoreergebnis die Zieltypen `multi:softmax`und `multi:softprob`XGBoost an.
`early_stopping`	Boolesch	Gibt an, ob die Early-Stopping-Funktion verwendet wird. Der Standardwert ist `False`.
`early_stopping_rounds`	Ganze Zahl	Die Anzahl der Validierungsfehler muss nach jeweils einer festgelegten Anzahl Early-Stopping-Runden zurückgehen, damit das Training fortgesetzt werden kann. Der Standardwert ist `10`.
`evaluation_data_ratio`	Double	Faktor der für Validierungsfehler verwendeten Eingabedaten. Der Standardwert ist `0.3`.
`random_seed`	Ganze Zahl	Der Startwert für Zufallszahlen. Eine beliebige Zahl zwischen `0`und`9999999`. Der Standardwert ist `0`.
`sample_size`	Double	Die Teilstichprobe zur Steuerung der Überanpassung. Geben Sie einen Wert zwischen `0.1` und `1.0` an. Der Standardwert ist `0.1`.
`eta`	Double	Der Eta-Wert zur Steuerung der Überanpassung. Geben Sie einen Wert zwischen `0` und `1` an. Der Standardwert ist `0.3`.
`gamma`	Double	Der Gamma-Wert zur Steuerung der Überanpassung. Geben Sie eine beliebige Zahl ab `0`an. Der Standardwert ist `6`.
`col_sample_ratio`	Double	Die Spaltenstichprobe nach Baum zur Steuerung der Überanpassung. Geben Sie einen Wert zwischen `0.01` und `1` an. Der Standardwert ist `1`.
`col_sample_level`	Double	Die Spaltenstichprobe nach Ebene zur Steuerung der Überanpassung. Geben Sie einen Wert zwischen `0.01` und `1` an. Der Standardwert ist `1`.
`lambda`	Double	Der Lambda-Wert zur Steuerung der Überanpassung. Geben Sie eine beliebige Zahl ab `0`an. Der Standardwert ist `1`.
`alpha`	Double	Der Alpha-Wert zur Steuerung der Überanpassung. Geben Sie eine beliebige Zahl ab `0`an. Der Standardwert ist `0`.
`scale_pos_weight`	Double	Die Skalenpositionsgewichtung zur Behandlung von unausgewogenen Datasets. Der Standardwert ist `1`.
`use_HPO`