Hyperparameter XGBoost

Tabel berikut berisi subset hyperparameter yang diperlukan atau paling umum digunakan untuk algoritma Amazon SageMaker AI XGBoost. Ini adalah parameter yang ditetapkan oleh pengguna untuk memfasilitasi estimasi parameter model dari data. Hyperparameter yang diperlukan yang harus ditetapkan dicantumkan terlebih dahulu, dalam urutan abjad. Hyperparameter opsional yang dapat diatur tercantum berikutnya, juga dalam urutan abjad. Algoritma SageMaker AI XGBoost adalah implementasi dari paket DMLC XGBoost open-source. Untuk detail tentang set lengkap hyperparameter yang dapat dikonfigurasi untuk versi XGBoost ini, lihat Parameter XGBoost.

Nama Parameter	Deskripsi
`num_class`	Jumlah kelas. Diperlukan jika `objective` disetel ke multi :softmax atau multi:softprob. Nilai yang valid: Integer.
`num_round`	Jumlah putaran untuk menjalankan pelatihan. Diperlukan Nilai yang valid: Integer.
`alpha`	Istilah regularisasi L1 pada bobot. Meningkatkan nilai ini membuat model lebih konservatif. Opsional Nilai yang valid: Float. Nilai default: 0
`base_score`	Skor prediksi awal dari semua contoh, bias global. Opsional Nilai yang valid: Float. Nilai default: 0.5
`booster`	Booster mana yang akan digunakan. `dart`Nilai `gbtree` dan menggunakan model berbasis pohon, sementara `gblinear` menggunakan fungsi linier. Opsional Nilai yang valid: String. Salah satu`"gbtree"`,`"gblinear"`, atau`"dart"`. Nilai default: `"gbtree"`
`colsample_bylevel`	Rasio subsampel kolom untuk setiap pemisahan, di setiap tingkat. Opsional Nilai yang valid: Float. Rentang: [0,1]. Nilai default: 1
`colsample_bynode`	Rasio subsampel kolom dari setiap node. Opsional Nilai yang valid: Float. Rentang: (0,1]. Nilai default: 1
`colsample_bytree`	Rasio subsampel kolom saat membangun setiap pohon. Opsional Nilai yang valid: Float. Rentang: [0,1]. Nilai default: 1
`csv_weights`	Ketika flag ini diaktifkan, XGBoost membedakan pentingnya instance untuk input csv dengan mengambil kolom kedua (kolom setelah label) dalam data pelatihan sebagai bobot instance. Opsional Nilai yang valid: 0 atau 1 Nilai default: 0
`deterministic_histogram`	Ketika flag ini diaktifkan, XGBoost membangun histogram pada GPU secara deterministik. Digunakan hanya jika `tree_method` disetel ke`gpu_hist`. Untuk daftar lengkap input yang valid, silakan merujuk ke Parameter XGBoost. Opsional Nilai yang valid: String. Rentang: `"true"` atau`"false"`. Nilai default: `"true"`
`early_stopping_rounds`	Model berlatih sampai skor validasi berhenti membaik. Kesalahan validasi perlu dikurangi setidaknya setiap `early_stopping_rounds` kali untuk melanjutkan pelatihan. SageMaker AI hosting menggunakan model terbaik untuk inferensi. Opsional Nilai yang valid: Integer. Nilai default: -
`eta`	Penyusutan ukuran langkah yang digunakan dalam pembaruan untuk mencegah kelebihan pemasangan. Setelah setiap langkah peningkatan, Anda bisa langsung mendapatkan bobot fitur baru. `eta`Parameter sebenarnya mengecilkan bobot fitur untuk membuat proses peningkatan lebih konservatif. Opsional Nilai yang valid: Float. Rentang: [0,1]. Nilai default: 0.3
`eval_metric`	Metrik evaluasi untuk data validasi. Metrik default ditetapkan sesuai dengan tujuan: `rmse`: untuk regresi `error`: untuk klasifikasi `map`: untuk peringkat Untuk daftar input yang valid, lihat Parameter Tugas Pem belajaran XGBoost. Opsional Nilai yang valid: String. Nilai default: Default sesuai dengan tujuan.
`gamma`	Pengurangan kerugian minimum diperlukan untuk membuat partisi lebih lanjut pada simpul daun pohon. Semakin besar, semakin konservatif algoritmanya. Opsional Nilai yang valid: Float. Rentang: [0, ∞). Nilai default: 0
`grow_policy`	Mengontrol cara node baru ditambahkan ke pohon. Saat ini didukung hanya jika `tree_method` disetel ke`hist`. Opsional Nilai yang valid: String. Baik `"depthwise"` atau `"lossguide"`. Nilai default: `"depthwise"`
`interaction_constraints`	Tentukan kelompok variabel yang diizinkan untuk berinteraksi. Opsional Nilai yang valid: Daftar bilangan bulat bersarang. Setiap bilangan bulat mewakili fitur, dan setiap daftar bersarang berisi fitur yang diizinkan untuk berinteraksi misalnya, [[1,2], [3,4,5]]. Nilai default: Tidak ada
`lambda`	Istilah regularisasi L2 pada bobot. Meningkatkan nilai ini membuat model lebih konservatif. Opsional Nilai yang valid: Float. Nilai default: 1
`lambda_bias`	Istilah regularisasi L2 pada bias. Opsional Nilai yang valid: Float. Rentang: [0.0, 1.0]. Nilai default: 0
`max_bin`	Jumlah maksimum tempat sampah diskrit ke fitur kontinu bucket. Digunakan hanya jika `tree_method` disetel ke`hist`. Opsional Nilai yang valid: Integer. Nilai default: 256
`max_delta_step`	Langkah delta maksimum yang diizinkan untuk estimasi berat setiap pohon. Ketika bilangan bulat positif digunakan, ini membantu membuat pembaruan lebih konservatif. Pilihan yang lebih disukai adalah menggunakannya dalam regresi logistik. Setel ke 1-10 untuk membantu mengontrol pembaruan. Opsional Nilai yang valid: Integer. Rentang: [0, ∞). Nilai default: 0
`max_depth`	Kedalaman maksimum pohon. Meningkatkan nilai ini membuat model lebih kompleks dan cenderung terlalu fit. 0 menunjukkan tidak ada batasan. Batas diperlukan bila `grow_policy` =`depth-wise`. Opsional Nilai yang valid: Integer. Rentang: [0, ∞) Nilai default: 6
`max_leaves`	Jumlah maksimum node yang akan ditambahkan. Relevan hanya jika `grow_policy` disetel ke`lossguide`. Opsional Nilai yang valid: Integer. Nilai default: 0
`min_child_weight`	Jumlah minimum bobot contoh (hessian) yang dibutuhkan pada anak. Jika langkah partisi pohon menghasilkan simpul daun dengan jumlah bobot instans kurang dari`min_child_weight`, proses pembuatan melepaskan partisi lebih lanjut. Dalam model regresi linier, ini hanya sesuai dengan jumlah minimum instance yang diperlukan di setiap node. Semakin besar algoritma, semakin konservatif. Opsional Nilai yang valid: Float. Rentang: [0, ∞). Nilai default: 1
`monotone_constraints`	Menentukan batasan monotonisitas pada fitur apa pun. Opsional Nilai yang valid: Tuple of Integers. Bilangan bulat yang valid: -1 (penurunan kendala), 0 (tanpa batasan), 1 (peningkatan kendala). E.g., (0, 1): Tidak ada batasan pada prediktor pertama, dan kendala yang meningkat pada prediktor kedua. (-1, 1): Mengurangi kendala pada prediktor pertama, dan kendala yang meningkat pada prediktor kedua. Nilai default: (0, 0)
`normalize_type`	Jenis algoritma normalisasi. Opsional Nilai yang valid: Baik pohon atau hutan. Nilai default: pohon
`nthread`	Jumlah thread paralel yang digunakan untuk menjalankan xgboost. Opsional Nilai yang valid: Integer. Nilai default: Jumlah maksimum utas.
`objective`	Menentukan tugas belajar dan tujuan pembelajaran yang sesuai. Contoh:`reg:logistic`,`multi:softmax`,`reg:squarederror`. Untuk daftar lengkap input yang valid, lihat Parameter Tugas Pembel ajaran XGBoost. Opsional Nilai valid: String Nilai default: `"reg:squarederror"`
`one_drop`	Ketika bendera ini diaktifkan, setidaknya satu pohon selalu dijatuhkan selama putus sekolah. Opsional Nilai yang valid: 0 atau 1 Nilai default: 0
`process_type`	Jenis proses peningkatan yang akan dijalankan. Opsional Nilai yang valid: String. Baik `"default"` atau `"update"`. Nilai default: `"default"`
`rate_drop`	Tingkat putus sekolah yang menentukan fraksi pohon sebelumnya yang akan diturunkan selama putus sekolah. Opsional Nilai yang valid: Float. Rentang: [0.0, 1.0]. Nilai default: 0.0
`refresh_leaf`	Ini adalah parameter dari plug-in updater 'refresh '. Saat diatur ke `true` (1), daun pohon dan statistik simpul pohon diperbarui. Saat disetel ke `false` (0), hanya statistik node pohon yang diperbarui. Opsional Nilai yang valid: 0/1 Nilai default: 1
`sample_type`	Jenis algoritma pengambilan sampel. Opsional Nilai yang valid: Baik `uniform` atau`weighted`. Nilai default: `uniform`
`scale_pos_weight`	Mengontrol keseimbangan bobot positif dan negatif. Ini berguna untuk kelas yang tidak seimbang. Nilai khas untuk dipertimbangkan:`sum(negative cases)`/`sum(positive cases)`. Opsional Nilai yang valid: float Nilai default: 1
`seed`	Benih angka acak. Opsional Nilai yang valid: integer Nilai default: 0
`single_precision_histogram`	Ketika flag ini diaktifkan, XGBoost menggunakan presisi tunggal untuk membuat histogram alih-alih presisi ganda. Digunakan hanya jika `tree_method` disetel ke `hist` atau`gpu_hist`. Untuk daftar lengkap input yang valid, silakan merujuk ke Parameter XGBoost. Opsional Nilai yang valid: String. Rentang: `"true"` atau `"false"` Nilai default: `"false"`
`sketch_eps`	Digunakan hanya untuk perkiraan algoritma serakah. Ini diterjemahkan menjadi O (1/`sketch_eps`) jumlah tempat sampah. Dibandingkan dengan memilih jumlah tempat sampah secara langsung, ini dilengkapi dengan jaminan teoritis dengan akurasi sketsa. Opsional Nilai yang valid: Float, Rentang: [0, 1]. Nilai default: 0.03
`skip_drop`	Kemungkinan melewatkan prosedur putus sekolah selama iterasi peningkatan. Opsional Nilai yang valid: Float. Rentang: [0.0, 1.0]. Nilai default: 0.0
`subsample`	Rasio subsampel dari contoh pelatihan. Mengaturnya ke 0,5 berarti bahwa XGBoost secara acak mengumpulkan setengah dari instance data untuk menumbuhkan pohon. Ini mencegah kelebihan pemasangan. Opsional Nilai yang valid: Float. Rentang: [0,1]. Nilai default: 1
`tree_method`	Algoritma konstruksi pohon yang digunakan dalam XGBoost. Opsional Nilai yang valid: Salah satu dari `autoexact`,`approx`,,`hist`, atau`gpu_hist`. Nilai default: `auto`
`tweedie_variance_power`	Parameter yang mengontrol varians distribusi Tweedie. Opsional Nilai yang valid: Float. Rentang: (1, 2). Nilai default: 1.5
`updater`	String yang dipisahkan koma yang mendefinisikan urutan pembaruan pohon untuk dijalankan. Ini menyediakan cara modular untuk membangun dan memodifikasi pohon. Untuk daftar lengkap input yang valid, silakan merujuk ke Parameter XGBoost. Opsional Nilai yang valid: string yang dipisahkan koma. Nilai default:`grow_colmaker`, prune
`use_dask_gpu_training`	Set `use_dask_gpu_training` el ke `"true"` jika Anda ingin menjalankan pelatihan GPU terdistribusi dengan Dask. Pelatihan GPU Dask hanya didukung untuk versi 1.5-1 dan yang lebih baru. Jangan atur nilai ini `"true"` untuk versi sebelum 1.5-1. Untuk informasi selengkapnya, lihat Pelatihan GPU terdistribusi. Opsional Nilai yang valid: String. Rentang: `"true"` atau `"false"` Nilai default: `"false"`
`verbosity`	Verbositas pencetakan pesan. Nilai yang valid: 0 (diam), 1 (peringatan), 2 (info), 3 (debug). Opsional Nilai default: 1

Awas Javascript dinonaktifkan atau tidak tersedia di browser Anda.

Untuk menggunakan Dokumentasi AWS, Javascript harus diaktifkan. Lihat halaman Bantuan browser Anda untuk petunjuk.

Konvensi Dokumen

Cara Kerjanya

Penyetelan Model