Translation not up to date
The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.
Last updated: 04 lip 2023
XGBoost Tree© to zaawansowana implementacja algorytmu wzmacniania gradientowego, który jako model bazowy wykorzystuje model drzewa. Algorytmy wzmacniania iteracyjnie ucząc się, wyznaczają słabe klasyfikatory i dodają je do ostatecznego silnego klasyfikatora. Drzewo XGBoost jest bardzo elastyczne i udostępnia wiele parametrów, które mogą być przytłaczające dla większości użytkowników, dlatego węzeł drzewa XGBoost w programie SPSS Modeler ujawnia podstawowe funkcje i powszechnie używane parametry. Węzeł jest zaimplementowany w języku Python.
Właściwości xgboosttreenode |
Typ danych | Opis właściwości |
|---|---|---|
custom_fields |
boolean (boolowskie) | Ta opcja stanowi dla węzła instrukcję o konieczności użycia informacji o zmiennej określonych w tym miejscu, a nie w żadnym wcześniejszym węźle Typy. Po wybraniu tej opcji należy określić pola zgodnie z wymaganiami. |
target |
field (pole) | Zmienne przewidywane. |
inputs |
field (pole) | Zmienne wejściowe. |
tree_method |
łańcuch | Metoda drzewa dla budowania modelu. Dopuszczalne wartości to: auto, exact lub approx. Wartością domyślną jest auto. |
num_boost_round |
liczba całkowita | Wartość zaokrąglania num boost dla budowania modelu. Określ wartość z zakresu od 1 do 1000. Wartością domyślną jest 10. |
max_depth |
liczba całkowita | Maksymalna głębokość dla wzrostu drzewa. Należy określić wartość 1 lub wyższą. Wartością domyślną jest 6. |
min_child_weight |
Podwójna | Minimalna waga elementu podrzędnego dla wzrostu drzewa. Należy określić wartość 0 lub wyższą. Wartością domyślną jest 1. |
max_delta_step |
Podwójna | Maksymalny krok delta dla wzrostu drzewa. Należy określić wartość 0 lub wyższą. Wartością domyślną jest 0. |
objective_type |
łańcuch | Typ celu dla zadania uczenia. Możliwe wartości to:reg:linear, reg:logistic, reg:gamma, reg:tweedie,count:poisson,rank:pairwise, binary:logisticlub multi. Należy pamiętać, że w przypadku zmiennych przewidywanych typu flaga można używać tylko wartości binary:logistic lub multi. W razie użycia wartości multi wynik oceny będzie przedstawiał typy celów XGBoost multi:softmax i multi:softprob. |
early_stopping |
Wartość boolowska | Aby skorzystać z funkcji przedwczesnego zatrzymywania. Wartością domyślną jest False. |
early_stopping_rounds |
liczba całkowita | Aby uczenie było kontynuowane, błędy walidacji muszą zmniejszać się co najmniej co określoną liczbę rund. Wartością domyślną jest 10. |
evaluation_data_ratio |
Podwójna | Współczynnik danych wejściowych używanych dla błędów walidacji. Wartością domyślną jest 0.3. |
random_seed |
liczba całkowita | Wartość początkowa liczb losowych. Jest to dowolna liczba z zakresu od 0 do 9999999. Wartością domyślną jest 0. |
sample_size |
Podwójna | Podpróby do sterowania przeuczeniem. Określ wartość z zakresu od 0.1 do 1.0. Wartością domyślną jest 0.1. |
eta |
Podwójna | Wartość eta do sterowania przeuczeniem. Określ wartość z zakresu od 0 do 1. Wartością domyślną jest 0.3. |
gamma |
Podwójna | Wartość gamma do sterowania przeuczeniem. Należy określić wartość 0 lub większą. Wartością domyślną jest 6. |
col_sample_ratio |
Podwójna | Wartość colsample by tree do sterowania przeuczeniem. Określ wartość z zakresu od 0.01 do 1. Wartością domyślną jest 1. |
col_sample_level |
Podwójna | Wartość colsample by level do sterowania przeuczeniem. Określ wartość z zakresu od 0.01 do 1. Wartością domyślną jest 1. |
lambda |
Podwójna | Wartość lambda do sterowania przeuczeniem. Należy określić wartość 0 lub większą. Wartością domyślną jest 1. |
alpha |
Podwójna | Wartość alpha do sterowania przeuczeniem. Należy określić wartość 0 lub większą. Wartością domyślną jest 0. |
scale_pos_weight |
Podwójna | Wartość wagi scale pos do obsługi niezrównoważonych zbiorów danych. Wartością domyślną jest 1. |
use_HPO |