Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris. # XGBoost hiperparameter Tabel berikut berisi subset hiperparameter 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 terdaftar terlebih dahulu, dalam urutan abjad. Hyperparameter opsional yang dapat diatur tercantum berikutnya, juga dalam urutan abjad. XGBoost Algoritma SageMaker AI adalah implementasi dari paket DMLC XGBoost open-source. Untuk detail tentang set lengkap hyperparameter yang dapat dikonfigurasi untuk versi ini XGBoost, lihat [ XGBoostParameter](https://xgboost.readthedocs.io/en/release_1.2.0/). | Nama Parameter | Deskripsi | | --- | --- | | num\$1class | Jumlah kelas. **Diperlukan** *jika `objective` diatur ke *multi:softmax atau multi:softprob.** Nilai yang valid: Integer. | | num\$1round | 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\$1score | 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\$1bylevel | Rasio subsampel kolom untuk setiap split, di setiap level. **Opsional** Nilai yang valid: Float. Rentang: [0,1]. Nilai default: 1 | | colsample\$1bynode | Rasio subsampel kolom dari setiap node. **Opsional** Nilai yang valid: Float. Rentang: (0,1]. Nilai default: 1 | | colsample\$1bytree | Rasio subsampel kolom saat membangun setiap pohon. **Opsional** Nilai yang valid: Float. Rentang: [0,1]. Nilai default: 1 | | csv\$1weights | Saat flag ini diaktifkan, XGBoost bedakan 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\$1histogram | Saat flag ini diaktifkan, XGBoost buat histogram pada GPU secara deterministik. Digunakan hanya jika `tree_method` diatur ke`gpu_hist`. Untuk daftar lengkap input yang valid, silakan lihat [XGBoost Parameter](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst). **Opsional** Nilai yang valid: String. Rentang: `"true"` atau`"false"`. Nilai default: `"true"` | | early\$1stopping\$1rounds | Model berlatih sampai skor validasi berhenti membaik. Kesalahan validasi perlu dikurangi setidaknya setiap `early_stopping_rounds` untuk melanjutkan pelatihan. SageMaker Hosting AI menggunakan model terbaik untuk inferensi. **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. `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\$1metric | Metrik evaluasi untuk data validasi. Metrik default ditetapkan sesuai dengan tujuan: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/sagemaker/latest/dg/xgboost_hyperparameters.html) Untuk daftar input yang valid, lihat [XGBoost Mempelajari Parameter Tugas](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters). **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\$1policy | 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\$1constraints | 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\$1bias | Istilah regularisasi L2 pada bias. **Opsional** Nilai yang valid: Float. Rentang: [0.0, 1.0]. Nilai default: 0 | | max\$1bin | Jumlah maksimum tempat sampah diskrit ke fitur kontinu ember. Digunakan hanya jika `tree_method` diatur ke`hist`. **Opsional** Nilai yang valid: Integer. Nilai default: 256 | | max\$1delta\$1step | 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\$1depth | Kedalaman maksimum pohon. Meningkatkan nilai ini membuat model lebih kompleks dan cenderung overfit. 0 menunjukkan tidak ada batas. Batas diperlukan ketika `grow_policy` =`depth-wise`. **Opsional** Nilai yang valid: Integer. Rentang: [0, ∞) Nilai default: 6 | | max\$1leaves | Jumlah maksimum node yang akan ditambahkan. Relevan hanya jika `grow_policy` diatur ke`lossguide`. **Opsional** Nilai yang valid: Integer. Nilai default: 0 | | min\$1child\$1weight | Jumlah minimum berat badan contoh (hessian) yang dibutuhkan pada anak. Jika langkah partisi pohon menghasilkan simpul daun dengan jumlah bobot instance kurang dari`min_child_weight`, proses pembangunan 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 itu. **Opsional** Nilai yang valid: Float. Rentang: [0, ∞). Nilai default: 1 | | monotone\$1constraints | 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\$1type | 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:`reg:logistic`,`multi:softmax`,`reg:squarederror`. Untuk daftar lengkap input yang valid, lihat [Parameter Tugas XGBoost Pembelajaran](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters). **Opsional** Nilai valid: String Nilai default: `"reg:squarederror"` | | one\$1drop | Saat flag ini diaktifkan, setidaknya satu pohon selalu dijatuhkan selama putus sekolah. **Opsional** Nilai yang valid: 0 atau 1 Nilai default: 0 | | process\$1type | Jenis proses boosting untuk dijalankan. **Opsional** Nilai yang valid: String. Baik `"default"` atau `"update"`. Nilai default: `"default"` | | rate\$1drop | 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\$1leaf | Ini adalah parameter dari plug-in updater 'refresh'. Ketika diatur ke `true` (1), daun pohon dan statistik simpul pohon diperbarui. Saat disetel ke `false` (0), hanya statistik simpul pohon yang diperbarui. **Opsional** Nilai yang valid: 0/1 Nilai default: 1 | | sample\$1type | Jenis algoritma sampling. **Opsional** Nilai yang valid: Entah `uniform` atau`weighted`. Nilai default: `uniform` | | scale\$1pos\$1weight | 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 nomor acak. **Opsional** Nilai yang valid: integer Nilai default: 0 | | single\$1precision\$1histogram | Saat flag ini diaktifkan, XGBoost gunakan presisi tunggal untuk membuat histogram alih-alih presisi ganda. Digunakan hanya jika `tree_method` diatur ke `hist` atau`gpu_hist`. Untuk daftar lengkap input yang valid, silakan lihat [XGBoost Parameter](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst). **Opsional** Nilai yang valid: String. Rentang: `"true"` atau `"false"` Nilai default: `"false"` | | sketch\$1eps | Digunakan hanya untuk perkiraan algoritma serakah. Ini diterjemahkan menjadi O (1/`sketch_eps`) jumlah tempat sampah. Dibandingkan dengan jumlah tempat sampah yang dipilih secara langsung, ini dilengkapi dengan jaminan teoritis dengan akurasi sketsa. **Opsional** Nilai yang valid: Float, Range: [0, 1]. Nilai default: 0,03 | | skip\$1drop | 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\$1method | Algoritma konstruksi pohon yang digunakan dalam XGBoost. **Opsional** Nilai yang valid: Salah satu`auto`,`exact`,`approx`,`hist`, atau`gpu_hist`. Nilai default: `auto` | | tweedie\$1variance\$1power | 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 [XGBoost Parameter](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst). **Opsional** Nilai yang valid: string dipisahkan koma. Nilai default:`grow_colmaker`, pangkas | | use\$1dask\$1gpu\$1training | Setel `use_dask_gpu_training` 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 setel nilai ini `"true"` untuk versi sebelumnya 1.5-1. Untuk informasi selengkapnya, lihat [Pelatihan GPU terdistribusi](xgboost.md#Instance-XGBoost-distributed-training-gpu). **Opsional** Nilai yang valid: String. Rentang: `"true"` atau `"false"` Nilai default: `"false"` | | verbosity | Verbositas pesan pencetakan. Nilai yang valid: 0 (diam), 1 (peringatan), 2 (info), 3 (debug). **Opsional** Nilai default: 1 |