Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# CatBoost hiperparameter
Tabel berikut berisi subset hyperparameter yang diperlukan atau paling umum digunakan untuk algoritma Amazon SageMaker AI CatBoost . Pengguna mengatur parameter ini untuk memfasilitasi estimasi parameter model dari data. CatBoost Algoritma SageMaker AI adalah implementasi dari [ CatBoost ](https://github.com/catboost/catboost) paket open-source.
**catatan**
Hyperparameter default didasarkan pada contoh kumpulan data di. [CatBoost contoh notebook](catboost.md#catboost-sample-notebooks)
Secara default, CatBoost algoritma SageMaker AI secara otomatis memilih metrik evaluasi dan fungsi kerugian berdasarkan jenis masalah klasifikasi. CatBoost Algoritma mendeteksi jenis masalah klasifikasi berdasarkan jumlah label dalam data Anda. Untuk masalah regresi, metrik evaluasi dan fungsi kerugian keduanya merupakan kesalahan kuadrat rata-rata akar. Untuk masalah klasifikasi biner, metrik evaluasi adalah Area Di Bawah Kurva (AUC) dan fungsi kerugian adalah log loss. Untuk masalah klasifikasi multiclass, metrik evaluasi dan fungsi kerugian adalah entropi silang multiclass. Anda dapat menggunakan `eval_metric` hyperparameter untuk mengubah metrik evaluasi default. Lihat tabel berikut untuk informasi lebih lanjut tentang hyperparameter LightGBM, termasuk deskripsi, nilai valid, dan nilai default.
| Nama Parameter | Deskripsi |
| --- | --- |
| iterations | Jumlah maksimum pohon yang dapat dibangun.
Nilai yang valid: integer, rentang: Integer positif.
Nilai default:`500`. |
| early\_stopping\_rounds | Pelatihan akan berhenti jika satu metrik dari satu titik data validasi tidak membaik di `early_stopping_rounds` babak terakhir. Jika `early_stopping_rounds` kurang dari atau sama dengan nol, hyperparameter ini diabaikan.
Nilai yang valid: integer.
Nilai default:`5`. |
| eval\_metric | Metrik evaluasi untuk data validasi. Jika `eval_metric` diatur ke `"auto"` nilai default, maka algoritma secara otomatis memilih metrik evaluasi berdasarkan jenis masalah klasifikasi:+ `"RMSE"`untuk regresi
+ `"AUC"`untuk klasifikasi biner
+ `"MultiClass"`untuk klasifikasi multi-kelas
Nilai yang valid: string, lihat [ CatBoost dokumentasi ](https://catboost.ai/en/docs/references/eval-metric__supported-metrics) untuk nilai yang valid.
Nilai default:`"auto"`. |
| learning\_rate | Tingkat pembaruan bobot model setelah mengerjakan setiap batch contoh pelatihan.
Nilai yang valid: float, range: (`0.0`,`1.0`).
Nilai default:`0.009`. |
| depth | Kedalaman pohon.
Nilai yang valid: integer, rentang: (`1`,`16`).
Nilai default:`6`. |
| l2\_leaf\_reg | Koefisien untuk istilah regularisasi L2 dari fungsi biaya.
Nilai yang valid: integer, rentang: Integer positif.
Nilai default:`3`. |
| random\_strength | Jumlah keacakan yang digunakan untuk pemisahan skor saat struktur pohon dipilih. Gunakan parameter ini untuk menghindari model yang terlalu pas.
Nilai yang valid: float, range: Nomor float point positif.
Nilai default:`1.0`. |
| max\_leaves | Jumlah maksimum daun di pohon yang dihasilkan. Hanya dapat digunakan dengan kebijakan `"Lossguide"` yang berkembang.
Nilai yang valid: integer, rentang: [`2`,`64`].
Nilai default:`31`. |
| rsm | Metode subruang acak. Persentase fitur yang digunakan pada setiap pemilihan split, ketika fitur dipilih lagi secara acak.
Nilai yang valid: float, range: (`0.0`,`1.0`].
Nilai default:`1.0`. |
| sampling\_frequency | Frekuensi untuk mengambil sampel bobot dan benda saat membangun pohon.
Nilai yang valid: string, baik: (`"PerTreeLevel"`atau`"PerTree"`).
Nilai default:`"PerTreeLevel"`. |
| min\_data\_in\_leaf | Jumlah minimum sampel pelatihan dalam daun. CatBoost tidak mencari perpecahan baru di daun dengan jumlah sampel kurang dari nilai yang ditentukan. Hanya dapat digunakan dengan kebijakan `"Lossguide"` yang `"Depthwise"` berkembang.
Nilai yang valid: integer, range: (`1`atau`∞`).
Nilai default:`1`. |
| bagging\_temperature | Mendefinisikan pengaturan bootstrap Bayesian. Gunakan bootstrap Bayesian untuk menetapkan bobot acak ke objek. Jika `bagging_temperature` disetel ke`1.0`, maka bobot diambil sampelnya dari distribusi eksponensial. Jika `bagging_temperature` disetel ke`0.0`, maka semua bobot adalah 1,0.
Nilai yang valid: float, range: Non-negative float.
Nilai default:`1.0`. |
| boosting\_type | Skema peningkatan. “Otomatis” berarti `boosting_type` bahwa dipilih berdasarkan jenis unit pemrosesan, jumlah objek dalam kumpulan data pelatihan, dan mode pembelajaran yang dipilih.
Nilai yang valid: string, salah satu dari berikut ini: (`"Auto"`,`"Ordered"`,`"Plain"`).
Nilai default:`"Auto"`. |
| scale\_pos\_weight | Bobot untuk kelas positif dalam klasifikasi biner. Nilai digunakan sebagai pengganda untuk bobot objek dari kelas positif.
Nilai yang valid: float, range: Positive float.
Nilai default:`1.0`. |
| max\_bin | Jumlah split untuk fitur numerik. `"Auto"`berarti yang `max_bin` dipilih berdasarkan jenis unit pemrosesan dan parameter lainnya. Untuk detailnya, lihat CatBoost dokumentasi.
Nilai yang valid: string, baik: (`"Auto"`atau string integer dari `"1"` ke `"65535"` inklusif).
Nilai default:`"Auto"`. |
| grow\_policy | Kebijakan penanaman pohon. Mendefinisikan bagaimana melakukan konstruksi pohon serakah.
Nilai yang valid: string, salah satu dari berikut ini: (`"SymmetricTree"`,`"Depthwise"`, atau`"Lossguide"`).
Nilai default:`"SymmetricTree"`. |
| random\_seed | Benih acak yang digunakan untuk pelatihan.
Nilai yang valid: integer, rentang: Non-negative integer.
Nilai default:`1.0`. |
| thread\_count | Jumlah utas yang akan digunakan selama pelatihan. Jika `thread_count` ya`-1`, maka jumlah utas sama dengan jumlah inti prosesor. `thread_count`tidak bisa`0`.
Nilai yang valid: integer, baik: (`-1`atau bilangan bulat positif).
Nilai default:`-1`. |
| verbose | Verbositas pesan cetak, dengan tingkat yang lebih tinggi sesuai dengan pernyataan cetak yang lebih rinci.
Nilai yang valid: integer, rentang: Integer positif.
Nilai default:`1`. |