Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.
Hyperparamètres XGBoost
Le tableau suivant contient le sous-ensemble d'hyperparamètres requis ou les plus couramment utilisés pour l'algorithme Amazon SageMaker XGBoost. Il s'agit des paramètres qui sont définis par les utilisateurs pour faciliter l'estimation des paramètres modèles issus des données. Les hyperparamètres requis qui doivent être définies sont les premiers répertoriés, dans l'ordre alphabétique. Les hyperparamètres facultatifs qui peuvent être définis sont répertoriés ensuite, également dans l'ordre alphabétique. L'algorithme SageMaker XGBoost est une implémentation du package open source DMLC XGBoost. Pour de plus amples informations sur l'ensemble complet des hyperparamètres qui peuvent être configurés pour cette version de XGBoost, veuillez consulter Paramètres XGBoost
| Nom du paramètre | Description |
|---|---|
num_class |
Nombre de classes. Obligatoire si Valeurs valides : nombre entier. |
num_round |
Le nombre de séries pour exécuter l'entraînement. Obligatoire Valeurs valides : nombre entier. |
alpha |
Condition de régularisation L1 sur les pondérations. L'augmentation de cette valeur rend les modèles plus prudents. Facultatif Valeurs valides : float. Valeur par défaut : 0 |
base_score |
Score de prédiction initiale de toutes les instances, biais global. Facultatif Valeurs valides : float. Valeur par défaut : 0.5 |
booster |
Quel booster utiliser. Les valeurs Facultatif Valeurs valides : string. Valeur par défaut : |
colsample_bylevel |
Ration de sous-échantillon des colonnes pour chaque fractionnement, dans chaque niveau. Facultatif Valeurs valides : float. Plage : [0,1]. Valeur par défaut : 1 |
colsample_bynode |
Rapport des colonnes de sous-échantillon de chaque nœud. Facultatif Valeurs valides : float. Plage : (0,1]. Valeur par défaut : 1 |
colsample_bytree |
Ratio de sous-échantillon des colonnes lors de la construction de chaque arbre. Facultatif Valeurs valides : float. Plage : [0,1]. Valeur par défaut : 1 |
csv_weights |
Lorsque cette option est activée, XGBoost différencie l'importance des instances pour l'entrée csv en prenant la deuxième colonne (la colonne après les étiquettes) dans les données d'entraînement, comme les pondérations d'instance. Facultatif Valeurs valides : 0 ou 1 Valeur par défaut : 0 |
deterministic_histogram |
Lorsque cet indicateur est activé, XGBoost crée l'histogramme sur le GPU de manière déterministe. Utilisé uniquement si Pour obtenir la liste complète des entrées valides, reportez-vous à XGBoost Parameters Facultatif Valeurs valides : string. Plage : Valeur par défaut : |
early_stopping_rounds |
Le modèle entraîne jusqu'à ce que le score de validation arrête l'amélioration. L'erreur de validation doit être réduite au moins à chaque fois Facultatif Valeurs valides : nombre entier. Valeur par défaut: - |
eta |
Réduction de la taille de l'étape utilisée dans les mises à jour pour empêcher le surajustement. Après chaque étape du boosting, vous pouvez directement obtenir les pondérations des nouvelles fonctions. Le paramètre Facultatif Valeurs valides : float. Plage : [0,1]. Valeur par défaut : 0.3 |
eval_metric |
Métriques d'évaluation pour les données de validation. Une métrique est attribué par défaut en fonction de l'objectif :
Pour obtenir la liste des entrées valides, consultez XGBoost Learning Task Parameters Facultatif Valeurs valides : string. Valeur par défaut : valeur par défaut selon l'objectif. |
gamma |
Diminution de perte minimale requise pour effectuer une partition supplémentaire sur un nœud terminal de l'arbre. Plus la valeur est grande, plus l'algorithme est prudent. Facultatif Valeurs valides : float. Plage : [0,∞). Valeur par défaut : 0 |
grow_policy |
Contrôle la façon dont les nouveaux nœuds sont ajoutés à l'arbre. Actuellement pris en charge uniquement si Facultatif Valeurs valides : string. Valeur par défaut : |
interaction_constraints |
Spécifiez les groupes de variables qui sont autorisés à interagir. Facultatif Valeurs valides : liste imbriquée d'entiers. Chaque entier représente une fonction, et chaque liste imbriquée contient des fonctions qui sont autorisées à interagir, par exemple, [[1,2], [3,4,5]]. Valeur par défaut : None (Aucune) |
lambda |
Condition de régularisation L2 sur les pondérations. L'augmentation de cette valeur rend les modèles plus prudents. Facultatif Valeurs valides : float. Valeur par défaut : 1 |
lambda_bias |
Condition de régularisation L2 sur un biais. Facultatif Valeurs valides : float. Plage : [0.0, 1.0]. Valeur par défaut : 0 |
max_bin |
Nombre maximal de compartiments distincts pour compartimenter les fonctions continues. Utilisé uniquement si Facultatif Valeurs valides : nombre entier. Valeur par défaut : 256 |
max_delta_step |
Étape delta maximale autorisée pour chaque estimation de pondération d'arbre. Quand un nombre entier positif est utilisé, il permet que la mise à jour soit encore plus prudente. L'option privilégiée consiste à l'utiliser dans une régression logistique. Définissez-la entre 1-10 pour aider à contrôler la mise à jour. Facultatif Valeurs valides : nombre entier. Plage : [0,∞). Valeur par défaut : 0 |
max_depth |
Profondeur maximale d'un arbre. L'augmentation de cette valeur rend le modèle plus complexe et susceptible d'être surajusté. 0 indique l'absence de limite. Une limite est requise quand Facultatif Valeurs valides : nombre entier. Plage : [0,∞) Valeur par défaut : 6 |
max_leaves |
Nombre maximal de nœuds à ajouter. Pertinent uniquement si Facultatif Valeurs valides : nombre entier. Valeur par défaut : 0 |
min_child_weight |
Somme minimale de la pondération (Hessian) d'instance nécessaire dans un enfant. Si l'étape de partition de l'arbre se traduit par un nœud terminal avec la somme de pondération d'instance inférieure à Facultatif Valeurs valides : float. Plage : [0,∞). Valeur par défaut : 1 |
monotone_constraints |
Spécifie les limites de monotonicité sur n'importe quelle fonction. Facultatif Valeurs valides : Tuple d'entiers. Entiers valides : -1 (limite décroissante), 0 (aucune limite), 1 (limite croissante). Par exemple, (0, 1) : aucune limite sur le premier prédicteur, et une limite croissante sur le second. (-1, 1) : limite décroissante sur le premier prédicteur, et limite croissante sur le second. Valeur par défaut : (0, 0) |
normalize_type |
Type d'algorithme de normalisation. Facultatif Valeurs valides : tree ou forest. Valeur par défaut : tree |
nthread |
Nombre de threads parallèles utilisés pour exécuter xgboost. Facultatif Valeurs valides : nombre entier. Valeur par défaut : nombre maximal de threads. |
objective |
Spécifie la tâche d'apprentissage et l'objectif d'apprentissage correspondant. Exemples : Facultatif Valeurs valides : string Valeur par défaut : |
one_drop |
Lorsque cet indicateur est activé, au moins un arbre est toujours supprimé pendant l'opération de dropout. Facultatif Valeurs valides : 0 ou 1 Valeur par défaut : 0 |
process_type |
Type de processus de boosting à exécuter. Facultatif Valeurs valides : string. Valeur par défaut : |
rate_drop |
Taux de dropout qui spécifie la fraction des arbres précédents à supprimer pendant le dropout. Facultatif Valeurs valides : float. Plage : [0.0, 1.0]. Valeur par défaut : 0.0 |
refresh_leaf |
Il s'agit d'un paramètre du plug-in de mise à jour « refresh ». Lorsque ce paramètre est défini sur Facultatif Valeurs valides : 0 | 1 Valeur par défaut : 1 |
sample_type |
Type d'algorithme d'échantillonnage. Facultatif Valeurs valides : Valeur par défaut : |
scale_pos_weight |
Contrôle le solde de pondérations positives et négatives. Utile pour les classes non équilibrées. Valeur typique à prendre en compte : Facultatif Valeurs valides : float Valeur par défaut : 1 |
seed |
Nombre d'amorçage aléatoire. Facultatif Valeurs valides : nombre entier Valeur par défaut : 0 |
single_precision_histogram |
Lorsque cet indicateur est activé, XGBoost utilise une précision unique pour créer des histogrammes au lieu de la double précision. Utilisé uniquement si Pour obtenir la liste complète des entrées valides, reportez-vous à XGBoost Parameters Facultatif Valeurs valides : string. Plage : Valeur par défaut : |
sketch_eps |
Utilisé uniquement pour l'algorithme gourmand (glouton) approximatif. Cela se traduit en O(1/ Facultatif Valeurs valides : Float, Plage : [0, 1]. Valeur par défaut : 0.03 |
skip_drop |
Probabilité d'ignorer la procédure de dropout pendant une itération de boosting. Facultatif Valeurs valides : float. Plage : [0.0, 1.0]. Valeur par défaut : 0.0 |
subsample |
Ratio de sous-échantillon de l'instance d'entraînement. La valeur 0,5 signifie que XGBoost recueille de façon aléatoire la moitié des instances de données pour développer les arbres. Cela empêche le surajustement. Facultatif Valeurs valides : float. Plage : [0,1]. Valeur par défaut : 1 |
tree_method |
Algorithme de construction des arbres utilisé dans XGBoost. Facultatif Valeurs valides : Valeur par défaut : |
tweedie_variance_power |
Paramètre qui contrôle la variance de la distribution Tweedie. Facultatif Valeurs valides : float. Plage : (1, 2). Valeur par défaut : 1.5 |
updater |
Chaîne séparée par des virgules qui définit la séquence des programmes de mise à jour des arbres à exécuter. Cela fournit une solution modulaire pour créer et modifier les arbres. Pour obtenir la liste complète des entrées valides, reportez-vous à XGBoost Parameters Facultatif Valeurs valides : chaîne séparée par des virgules. Valeur par défaut : |
use_dask_gpu_training |
Définissez Facultatif Valeurs valides : string. Plage : Valeur par défaut : |
verbosity |
Niveau de détail de l'impression des messages. Valeurs valides : 0 (silencieux), 1 (avertissement), 2 (info), 3 (débogage). Facultatif Valeur par défaut : 1 |
