View a markdown version of this page

Menyetel Model XGBoost - Amazon SageMaker AI
Metrik-metrikHyperparameter yang dapat disetel

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Menyetel Model XGBoost

Penyetelan model otomatis, juga dikenal sebagai penyetelan hyperparameter, menemukan versi model terbaik dengan menjalankan banyak pekerjaan yang menguji berbagai hyperparameter pada kumpulan data pelatihan dan validasi Anda. Anda memilih tiga jenis hyperparameter:

  • objectivefungsi pembelajaran untuk dioptimalkan selama pelatihan model

  • an eval_metric untuk digunakan untuk mengevaluasi kinerja model selama validasi

  • satu set hyperparameter dan rentang nilai untuk masing-masing digunakan saat menyetel model secara otomatis

Anda memilih metrik evaluasi dari kumpulan metrik evaluasi yang dihitung algoritma. Penyetelan model otomatis mencari hyperparameter yang dipilih untuk menemukan kombinasi nilai yang menghasilkan model yang mengoptimalkan metrik evaluasi.

catatan

Penyetelan model otomatis untuk XGBoost 0.90 hanya tersedia dari Amazon SageMaker SDK, bukan dari konsol AI. SageMaker

Untuk informasi selengkapnya tentang penyetelan model, lihatPenyetelan model otomatis dengan SageMaker AI.

Metrik Evaluasi Dihitung oleh Algoritma XGBoost

Algoritma XGBoost menghitung metrik berikut untuk digunakan untuk validasi model. Saat menyetel model, pilih salah satu metrik ini untuk mengevaluasi model. Untuk daftar lengkap eval_metric nilai yang valid, lihat Parameter Tugas Pem belajaran XGBoost

Nama Metrik Deskripsi Arah Optimasi
validation:accuracy

Tingkat klasifikasi, dihitung sebagai # (kanan) /# (semua kasus).

Maksimalkan
validation:auc

Area di bawah kurva.

Maksimalkan
validation:error

Tingkat kesalahan klasifikasi biner, dihitung sebagai # (kasus yang salah) /# (semua kasus).

Minimalkan
validation:f1

Indikator akurasi klasifikasi, dihitung sebagai rata-rata harmonik presisi dan ingatan.

Maksimalkan
validation:logloss

Kemungkinan log negatif.

Minimalkan
validation:mae

Berarti kesalahan absolut.

Minimalkan
validation:map

Rata-rata presisi rata-rata.

Maksimalkan
validation:merror

Tingkat kesalahan klasifikasi multiclass, dihitung sebagai # (kasus yang salah) /# (semua kasus).

Minimalkan
validation:mlogloss

Kemungkinan log negatif untuk klasifikasi multiclass.

Minimalkan
validation:mse

Kesalahan kuadrat rata-rata.

Minimalkan
validation:ndcg

Keuntungan Kumulatif Diskon yang Dinormalisasi.

Maksimalkan
validation:rmse

Kesalahan kuadrat rata-rata akar.

Minimalkan

Hyperparameter XGBoost yang Dapat Disetel

Setel model XGBoost dengan hyperparameter berikut. Hyperparameter yang memiliki efek terbesar dalam mengoptimalkan metrik evaluasi XGBoost adalah:alpha,,, min_child_weightsubsample, eta dan. num_round

Nama Parameter Jenis Parameter Rentang yang Direkomendasikan
alpha

ContinuousParameterRanges

MinValue: 0, MaxValue: 1000
colsample_bylevel

ContinuousParameterRanges

MinValue: 0,1, MaxValue: 1
colsample_bynode

ContinuousParameterRanges

MinValue: 0,1, MaxValue: 1
colsample_bytree

ContinuousParameterRanges

MinValue: 0.5, MaxValue: 1
eta

ContinuousParameterRanges

MinValue: 0,1, MaxValue: 0,5
gamma

ContinuousParameterRanges

MinValue: 0, MaxValue: 5
lambda

ContinuousParameterRanges

MinValue: 0, MaxValue: 1000
max_delta_step

IntegerParameterRanges

[0, 10]
max_depth

IntegerParameterRanges

[0, 10]
min_child_weight

ContinuousParameterRanges

MinValue: 0, MaxValue: 120
num_round

IntegerParameterRanges

[1.4000]
subsample

ContinuousParameterRanges

MinValue: 0.5, MaxValue: 1