XGBoostiperparametri

Numero di classi.

Obbligatorio se objective è impostato su multi:softmax o multi:softprob.

Valori validi: numero intero.

Numero di arrotondamenti per eseguire l’addestramento.

Campo obbligatorio

Valori validi: numero intero.

Termine di regolarizzazione L1 sui pesi. Aumentando questo valore, i modelli diventano più restrittivi.

Opzionale

Valori validi: Float.

Valore predefinito: 0

Punteggio previsto iniziale di tutte le istanze, bias globale.

Opzionale

Valori validi: Float.

Valore predefinito: 0.5

Booster da utilizzare. I valori gbtree e dart utilizzano un modello basato su alberi, mentre gblinear utilizza una funzione lineare.

Opzionale

Valori validi: stringa. Uno tra "gbtree", "gblinear" o "dart".

Valore predefinito: "gbtree"

Rapporto di sottocampionamento delle colonne per ogni suddivisione, in ogni livello.

Opzionale

Valori validi: Float. Intervallo: [0,1].

Valore predefinito: 1

Rapporto di sottocampionamento di colonne da ogni nodo.

Opzionale

Valori validi: Float. Intervallo: [0,1].

Valore predefinito: 1

Rapporto di sottocampionamento delle colonne durante la creazione di ogni albero.

Opzionale

Valori validi: Float. Intervallo: [0,1].

Valore predefinito: 1

Quando questo flag è abilitato, XGBoost differenzia l'importanza delle istanze per l'input in formato csv considerando la seconda colonna (la colonna dopo le etichette) nei dati di addestramento come peso dell'istanza.

Opzionale

Valori validi: 0 o 1

Valore predefinito: 0

Quando questo flag è abilitato, XGBoost crea l'istogramma in modo deterministico. GPU Utilizzato solo se tree_method è impostato su gpu_hist.

Per un elenco completo degli input validi, consulta Parametri. XGBoost

Opzionale

Valori validi: stringa. Intervallo: "true" o "false"

Valore predefinito: "true"

Il modello continua l’addestramento finché il punteggio della convalida non smette di migliorare. L'errore di convalida deve diminuire almeno ogni volta early_stopping_rounds per continuare l'allenamento. SageMakerl'hosting utilizza il miglior modello di inferenza.

Opzionale

Valori validi: numero intero.

Valore predefinito: -

Riduzione delle dimensioni della fase utilizzata negli aggiornamenti per evitare l'overfitting. Dopo ogni fase di boosting, puoi ottenere direttamente i pesi delle nuove caratteristiche. Il parametro eta riduce effettivamente i pesi delle caratteristiche per rendere il processo di boosting più restrittivo.

Opzionale

Valori validi: Float. Intervallo: [0,1].

Valore predefinito: 0.3

Parametri di valutazione per i dati di convalida. Un parametro predefinito viene assegnato in base all'obiettivo:

Per un elenco di input validi, consulta XGBoostLearning Task Parameters.

Opzionale

Valori validi: stringa.

Valore predefinito: in base all'obiettivo.

Riduzione della perdita minima richiesta per creare un'ulteriore partizione su un nodo foglia dell'albero. Maggiore è il valore e più restrittivo sarà l'algoritmo.

Opzionale

Valori validi: Float. Intervallo: [0,∞).

Valore predefinito: 0

Controlla il modo in cui i nuovi nodi vengono aggiunti all'albero. Attualmente supportato solo se tree_method è impostato su hist.

Opzionale

Valori validi: stringa. "depthwise" o "lossguide".

Valore predefinito: "depthwise"

Specifica i gruppi di variabili che possono interagire.

Opzionale

Valori validi: elenco annidato di numeri interi. Ogni numero intero rappresenta una funzionalità e ogni elenco annidato contiene funzionalità che possono interagire, ad esempio [[1,2], [3,4,5]].

Valore predefinito: nessuno

Termine di regolarizzazione L2 sui pesi. Aumentando questo valore, i modelli diventano più restrittivi.

Opzionale

Valori validi: Float.

Valore predefinito: 1

Termine di regolarizzazione L2 su bias.

Opzionale

Valori validi: Float. Intervallo: [0.0, 1.0].

Valore predefinito: 0

Numero massimo di container discreti per le funzioni continue del bucket. Utilizzato solo se tree_method è impostato su hist.

Opzionale

Valori validi: numero intero.

Valore predefinito: 256

Fase delta massima consentita per ogni stima del peso dell'albero. L'utilizzo di un numero intero positivo rende l'aggiornamento maggiormente restrittivo. La scelta migliore è di utilizzarlo nella regressione logistica. Impostare su 1-10 per aiutare a controllare l'aggiornamento.

Opzionale

Valori validi: numero intero. Intervallo: [0,∞).

Valore predefinito: 0

Profondità massima di un albero. Aumentando questo valore, il modello diviene più complesso e aumentano le probabilità di overfitting. 0 indica che non ci sono limiti. Un limite è richiesto se grow_policy=depth-wise.

Opzionale

Valori validi: numero intero. Intervallo: [0,∞)

Valore predefinito: 6

Numero massimo di nodi da aggiungere. Rilevante solo se grow_policy è impostato su lossguide.

Opzionale

Valori validi: numero intero.

Valore predefinito: 0

Somma minima del peso delle istanze (hessiano) necessaria in un figlio. Se la fase di partizione dell'albero restituisce un nodo foglia in cui la somma del peso delle istanze è inferiore a min_child_weight, il processo di creazione interrompe l'ulteriore partizionamento. Nei modelli di regressione lineare, ciò corrisponde semplicemente a un numero minimo di istanze necessario in ogni nodo. Maggiore è il valore dell'algoritmo e più restrittivo sarà.

Opzionale

Valori validi: Float. Intervallo: [0,∞).

Valore predefinito: 1

Specifica i vincoli di monotonicità su qualsiasi funzionalità.

Opzionale

Valori validi: tupla di numeri interi. Numeri interi validi: -1 (vincolo decrescente), 0 (nessun vincolo), 1 (vincolo crescente).

Ad esempio, (0, 1): nessun vincolo sul primo predittore e un vincolo crescente sul secondo. (-1, 1): vincolo decrescente sul primo predittore e vincolo crescente sul secondo.

Valore predefinito: (0, 0)

Tipo di algoritmo di normalizzazione.

Opzionale

Valori validi: tree o forest.

Valore predefinito: tree

Numero di thread paralleli utilizzati per eseguire xgboost.

Opzionale

Valori validi: numero intero.

Valore predefinito: numero massimo di thread.

Specifica le attività di apprendimento e l'obiettivo di apprendimento corrispondente. Esempi: reg:logistic, multi:softmax, reg:squarederror. Per un elenco completo degli input validi, consulta XGBoostLearning Task Parameters.

Opzionale

Valori validi: stringa

Valore predefinito: "reg:squarederror"

Quando questo contrassegno è abilitato, durante il dropout almeno un albero viene rilasciato.

Opzionale

Valori validi: 0 o 1

Valore predefinito: 0

Tipo di processo di boosting da eseguire.

Opzionale

Valori validi: stringa. "default" o "update".

Valore predefinito: "default"

La velocità di dropout che specifica la frazione di alberi precedenti da rilasciare durante il dropout.

Opzionale

Valori validi: Float. Intervallo: [0.0, 1.0].

Valore predefinito: 0.0

Questo è un parametro del plugin di aggiornamento. Se è impostato su true (1), vengono aggiornate le foglie dell'albero e le statistiche dei nodi dell'albero. Se è impostato su false(0), vengono aggiornate solo le statistiche dei nodi dell'albero.

Opzionale

Valori validi: 0/1

Valore predefinito: 1

Tipo di algoritmo di campionamento.

Opzionale

Valori validi: uniform o weighted.

Valore predefinito: uniform

Controlla il bilanciamento dei pesi positivi e negativi. Utile per le classi non bilanciate. Valore tipico da considerare: sum(negative cases) / sum(positive cases).

Opzionale

Valori validi: float.

Valore predefinito: 1

Seed per il numero casuale.

Opzionale

Valori validi: numero intero

Valore predefinito: 0

Quando questo flag è abilitato, XGBoost utilizza la precisione singola per creare istogrammi anziché la precisione doppia. Utilizzato solo se tree_method è impostato su hist ogpu_hist.

Per un elenco completo degli input validi, consulta Parametri. XGBoost

Opzionale

Valori validi: stringa. Intervallo: "true" o "false"

Valore predefinito: "false"

Utilizzato solo per l'algoritmo greedy approssimativo. Questo si traduce in O (1/ sketch_eps) numero di container. Rispetto alla selezione diretta del numero di container, questo valore viene fornito con la garanzia teorica con precisione di sketch.

Opzionale

Valori validi: Float. Intervallo: [0, 1].

Valore predefinito: 0.03

Probabilità di ignorare la procedura di dropout durante un'iterazione di boosting.

Opzionale

Valori validi: Float. Intervallo: [0.0, 1.0].

Valore predefinito: 0.0

Rapporto di sottocampionamento dell'istanza di addestramento. Impostarlo su 0,5 significa che raccoglie in XGBoost modo casuale metà delle istanze di dati per far crescere gli alberi. In questo modo si evita l'overfitting.

Opzionale

Valori validi: Float. Intervallo: [0,1].

Valore predefinito: 1

L'algoritmo di costruzione degli alberi utilizzato in. XGBoost

Opzionale

Valori validi: uno tra auto, exact, approx, hist o gpu_hist.

Valore predefinito: auto

Controlla la varianza della distribuzione Tweedie.

Opzionale

Valori validi: Float. Intervallo: (1, 2).

Valore predefinito: 1.5

Stringa separata da virgole che definisce la sequenza di strumenti di aggiornamento degli alberi da eseguire. Questo fornisce un approccio modulare per creare e modificare gli alberi.

Per un elenco completo degli input validi, consulta XGBoostParametri.

Opzionale

Valori validi: stringa separata da virgole.

Valore predefinito: grow_colmaker, prune

use_dask_gpu_trainingImposta su "true" se desideri eseguire un GPU allenamento distribuito con Dask. La GPU formazione Dask è supportata solo per le versioni 1.5-1 e successive. Non impostare questo valore su "true" per le versioni precedenti alla 1.5-1. Per ulteriori informazioni, consulta Formazione distribuita GPU.

Opzionale

Valori validi: stringa. Intervallo: "true" o "false"

Valore predefinito: "false"

Verbosità dei messaggi di stampa.

Valori validi: 0 (silenzioso), 1 (avviso), 2 (informazioni), 3 (debug).

Opzionale

Valore predefinito: 1