Docs
...
xgboosttreenode properties

propriétés xgboosttreenode

Dernière mise à jour : 11 févr. 2025
propriétés xgboosttreenode

Icône du noeud XGBoost TreeXGBoost Tree est une implémentation avancée d'un algorithme de boosting de gradient qui utilise un modèle d'arbre comme modèle de base. Les algorithmes de boosting forment les classificateurs faibles de manière itérative et les ajoutent ensuite à un classificateur fort final. L'arborescence XGBoost est très flexible et fournit de nombreux paramètres qui peuvent être accablants pour la plupart des utilisateurs, de sorte que le noeud XGBoost dans SPSS Modeler expose les fonctions de base et les paramètres couramment utilisés. Ce noeud est mis en oeuvre dans Python.

Tableau 1. Propriétés de xgboosttreenode
xgboosttreenodepropriétés 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, spécifiez les zones requises.
target Zone Champs cible.
inputs Zone Champs d'entrée.
tree_method chaîne Méthode d'arbre pour la génération de modèle. Les valeurs possibles sont : auto, exact ou approx. La valeur par défaut est auto.
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.
max_depth Integer Nombre de niveaux maximal pour la croissance d'arbre. Spécifiez une valeur de 1 ou une valeur supérieure. La valeur par défaut est 6.
min_child_weight Double Pondération d'enfant minimale pour la croissance d'arbre. Spécifiez une valeur de 0 ou une valeur supérieure. La valeur par défaut est 1.
max_delta_step Double Etape delta maximale pour la croissance d'arbre. Spécifiez une valeur de 0 ou une valeur supérieure. La valeur par défaut est 0.
objective_type 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.
early_stopping Booléen Indique si la fonction d'arrêt précoce doit être utilisée. La valeur par défaut est False.
early_stopping_rounds Integer Les erreurs de validation doivent diminuer au moins à chaque nombre d'arrêts précoces pour poursuivre l'apprentissage. La valeur par défaut est 10.
evaluation_data_ratio Double Ratio des données d'entrée utilisé pour les erreurs de validation. La valeur par défaut est 0.3.
random_seed Integer Valeur de départ aléatoire. N'importe quel nombre entre 0 et 9999999. La valeur par défaut est 0.
sample_size Double Sous-échantillon pour le contrôle du surajustement. Indiquez une valeur entre 0.1 et 1.0. La valeur par défaut est 0.1.
eta Double Eta pour le contrôle du surajustement. Indiquez une valeur entre 0 et 1. La valeur par défaut est 0.3.
gamma Double Gamma pour le contrôle du surajustement. Indiquez un nombre 0 ou supérieur. La valeur par défaut est 6.
col_sample_ratio Double Colsample par arbre pour le contrôle du surajustement. Indiquez une valeur entre 0.01 et 1. La valeur par défaut est 1.
col_sample_level Double Colsample par niveau pour le contrôle du surajustement. Indiquez une valeur entre 0.01 et 1. La valeur par défaut est 1.
lambda Double Lambda pour le contrôle du surajustement. Indiquez un nombre 0 ou supérieur. La valeur par défaut est 1.
alpha Double Alpha pour le contrôle du surajustement. Indiquez un nombre 0 ou supérieur. La valeur par défaut est 0.
scale_pos_weight Double Mise à l'échelle des pondérations pour le traitement des jeux de données déséquilibrés. La valeur par défaut est 1.
use_HPO