Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Hiperparameter XGBoost
Tabel berikut berisi subset hiperparameter yang diperlukan atau paling umum digunakan untuk algoritma Amazon SageMaker XGBoost. Ini adalah parameter yang ditetapkan oleh pengguna untuk memfasilitasi estimasi parameter model dari data. Hyperparameter yang diperlukan yang harus ditetapkan terdaftar terlebih dahulu, dalam urutan abjad. Hyperparameter opsional yang dapat diatur tercantum berikutnya, juga dalam urutan abjad. Algoritma SageMaker 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 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. Opsional Nilai yang valid: String. Salah satu Nilai default: |
colsample_bylevel |
Rasio subsampel kolom untuk setiap split, di setiap level. 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 |
Saat 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 |
Saat flag ini diaktifkan, XGBoost membangun histogram pada GPU secara deterministik. Digunakan hanya jika Untuk daftar lengkap input yang valid, silakan lihat Parameter XGBoost Opsional Nilai yang valid: String. Rentang: Nilai default: |
early_stopping_rounds |
Model berlatih sampai skor validasi berhenti membaik. Kesalahan validasi perlu dikurangi setidaknya setiap Opsional Nilai yang valid: Integer. Nilai default: - |
eta |
Penyusutan ukuran langkah yang digunakan dalam pembaruan untuk mencegah overfitting. Setelah setiap langkah peningkatan, Anda bisa langsung mendapatkan bobot fitur baru. 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:
Untuk daftar input yang valid, lihat Parameter Tugas Pembelajaran 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 Opsional Nilai yang valid: String. Baik Nilai default: |
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 ember. Digunakan hanya jika Opsional Nilai yang valid: Integer. Nilai default: 256 |
max_delta_step |
Langkah delta maksimum diperbolehkan 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 overfit. 0 menunjukkan tidak ada batas. Batas diperlukan ketika Opsional Nilai yang valid: Integer. Rentang: [0, ∞) Nilai default: 6 |
max_leaves |
Jumlah maksimum node yang akan ditambahkan. Relevan hanya jika Opsional Nilai yang valid: Integer. Nilai default: 0 |
min_child_weight |
Jumlah minimum berat badan contoh (hessian) yang dibutuhkan pada anak. Jika langkah partisi pohon menghasilkan simpul daun dengan jumlah bobot instance kurang dari Opsional Nilai yang valid: Float. Rentang: [0, ∞). Nilai default: 1 |
monotone_constraints |
Menentukan kendala monotonisitas pada fitur apapun. Opsional Nilai yang valid: Tuple of Integers. Bilangan bulat yang valid: -1 (kendala menurun), 0 (tidak ada kendala), 1 (meningkatkan kendala). Misalnya, (0, 1): Tidak ada kendala 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 utas maksimum. |
objective |
Menentukan tugas pembelajaran dan tujuan pembelajaran yang sesuai. Contoh: Opsional Nilai valid: String Nilai default: |
one_drop |
Saat flag ini diaktifkan, setidaknya satu pohon selalu dijatuhkan selama putus sekolah. Opsional Nilai yang valid: 0 atau 1 Nilai default: 0 |
process_type |
Jenis proses boosting untuk dijalankan. Opsional Nilai yang valid: String. Baik Nilai default: |
rate_drop |
Tingkat putus sekolah yang menentukan fraksi pohon sebelumnya yang akan jatuh 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'. Ketika diatur ke Opsional Nilai yang valid: 0/1 Nilai default: 1 |
sample_type |
Jenis algoritma sampling. Opsional Nilai yang valid: Entah Nilai default: |
scale_pos_weight |
Mengontrol keseimbangan bobot positif dan negatif. Ini berguna untuk kelas yang tidak seimbang. Nilai khas untuk dipertimbangkan: Opsional Nilai yang valid: float Nilai default: 1 |
seed |
Benih nomor acak. Opsional Nilai yang valid: integer Nilai default: 0 |
single_precision_histogram |
Saat flag ini diaktifkan, XGBoost menggunakan presisi tunggal untuk membangun histogram, bukan presisi ganda. Digunakan hanya jika Untuk daftar lengkap input yang valid, silakan lihat Parameter XGBoost Opsional Nilai yang valid: String. Rentang: Nilai default: |
sketch_eps |
Digunakan hanya untuk perkiraan algoritma serakah. Ini diterjemahkan menjadi O (1/ Opsional Nilai yang valid: Float, Range: [0, 1]. Nilai default: 0,03 |
skip_drop |
Probabilitas 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 XGBoost secara acak mengumpulkan setengah dari instance data untuk menumbuhkan pohon. Ini mencegah overfitting. 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 Nilai default: |
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 pembaru pohon untuk dijalankan. Ini menyediakan cara modular untuk membangun dan memodifikasi pohon. Untuk daftar lengkap input yang valid, silakan lihat Parameter XGBoost Opsional Nilai yang valid: string dipisahkan koma. Nilai default: |
use_dask_gpu_training |
Setel Opsional Nilai yang valid: String. Rentang: Nilai default: |
verbosity |
Verbositas pesan pencetakan. Nilai yang valid: 0 (diam), 1 (peringatan), 2 (info), 3 (debug). Opsional Nilai default: 1 |
