Volver a la versión inglesa de la documentaciónpropiedades de xgboosttreenode
propiedades de xgboosttreenode
Última actualización: 04 oct 2024
XGBoost Tree© es una implementación avanzada de un algoritmo de aumento de gradiente con un modelo de árbol como modelo base. Los algoritmos de aumento conocen de forma iterativa los clasificadores débiles y, a continuación, los añaden a un clasificador fuerte final. XGBoost Tree es muy flexible y proporciona muchos parámetros que pueden ser abrumadores para la mayoría de los usuarios, por lo que el nodo XGBoost Tree en SPSS Modeler expone las características principales y los parámetros de uso común. El nodo se implementa en Python.
Propiedades de xgboosttreenode |
Tipo de datos | Descripción de la propiedad |
|---|---|---|
custom_fields |
Boolean | Esta opción permite indicar al nodo que use la información de campo especificada aquí en lugar de la proporcionada en nodos Tipo situados en cualquier punto anterior de la ruta. Después de seleccionar esta opción, especifique los campos según sea necesario. |
target |
campo | Campos objetivo. |
inputs |
campo | Campos de entrada. |
tree_method |
serie | Método de árbol para la generación de modelos. Los valores posibles son auto, exact o approx. El valor predeterminado es auto. |
num_boost_round |
entero | Valor de redondeo de aumento de número para la generación de modelos. Especifique un valor entre 1 y 1000. El valor predeterminado es 10. |
max_depth |
entero | Profundidad máxima para el crecimiento del árbol. Especifique un valor de 1 o superior. El valor predeterminado es 6. |
min_child_weight |
Doble | Ponderación hijo mínima para el crecimiento del árbol. Especifique un valor de 0 o superior. El valor predeterminado es 1. |
max_delta_step |
Doble | Paso delta máximo para el crecimiento del árbol. Especifique un valor de 0 o superior. El valor predeterminado es 0. |
objective_type |
serie | Tipo de objetivo para la tarea de aprendizaje. Los valores posibles son reg:linear, reg:logistic, reg:gamma, reg:tweedie,count:poisson,rank:pairwise, binary:logistic o multi. Tenga en cuenta que para los destinos de distintivo, sólo se puede utilizar binary:logistic o multi. Si se utiliza multi, el resultado de la puntuación mostrará los tipos de objetivo XGBoost multi:softmax y multi:softprob. |
early_stopping |
Booleano | Indica si debe utilizarse la función de detención temprana. El valor predeterminado es False. |
early_stopping_rounds |
entero | El error de validación debe disminuir al menos cada ronda de detención temprana para continuar el
entrenamiento. El valor predeterminado es 10. |
evaluation_data_ratio |
Doble | La proporción de datos de entrada utilizados para errores de validación. El valor predeterminado es 0.3. |
random_seed |
entero | Semilla de aleatorización. Cualquier número entre 0 y 9999999. El valor predeterminado es 0. |
sample_size |
Doble | La submuestra para el sobreajuste de control. Especifique un valor entre 0.1 y 1.0. El valor predeterminado es 0.1. |
eta |
Doble | Eta para el sobreajuste de control. Especifique un valor entre 0 y 1. El valor predeterminado es 0.3. |
gamma |
Doble | Gamma para el sobreajuste de control. Especifique cualquier número 0 o superior. El valor predeterminado es 6. |
col_sample_ratio |
Doble | Muestra de columna por árbol para el sobreajuste de control. Especifique un valor entre 0.01 y 1. El valor predeterminado es 1. |
col_sample_level |
Doble | Muestra de columna por nivel para el sobreajuste de control. Especifique un valor entre 0.01 y 1. El valor predeterminado es 1. |
lambda |
Doble | Lambda para el sobreajuste de control. Especifique cualquier número 0 o superior. El valor predeterminado es 1. |
alpha |
Doble | Alfa para el sobreajuste de control. Especifique cualquier número 0 o superior. El valor predeterminado es 0. |
scale_pos_weight |
Doble | Ponderación de posición de escala para manejar conjuntos de datos desequilibrados. El valor predeterminado es 1. |
use_HPO |