As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# XGBoost hiperparâmetros
<a name="xgboost_hyperparameters"></a>

A tabela a seguir contém o subconjunto de hiperparâmetros que são necessários ou mais comumente usados para o algoritmo Amazon SageMaker AI XGBoost . Esses parâmetros são definidos pelos usuários para facilitar a estimativa dos parâmetros do modelo a partir dos dados. Os hiperparâmetros necessários que devem ser definidos são listados primeiro, em ordem alfabética. Os hiperparâmetros opcionais que podem ser configurados são listados em seguida, também em ordem alfabética. O XGBoost algoritmo de SageMaker IA é uma implementação do pacote XGBoost DMLC de código aberto. Para obter detalhes sobre o conjunto completo de hiperparâmetros que podem ser configurados para essa versão do XGBoost, consulte [ XGBoostParâmetros](https://xgboost.readthedocs.io/en/release_1.2.0/).


| Nome do parâmetro | Description | 
| --- | --- | 
| num\$1class |  O número de classes. **Obrigatório** se `objective` estiver definido como *multi:softmax* ou *multi:softprob*. Valores válidos: inteiro.  | 
| num\$1round |  O número de rodadas para execução do treinamento. **Obrigatório** Valores válidos: inteiro.  | 
| alpha |  Termo de regularização L1 nos pesos. Aumentar esse valor torna os modelos mais conservadores. **Opcional** Valores válidos: flutuante. Valor padrão: 0  | 
| base\$1score |  A pontuação de predição inicial de todas as instâncias, a polarização global. **Opcional** Valores válidos: flutuante. Valor padrão: 0.5  | 
| booster |  O objeto de aumento a ser usado. Os valores `gbtree` e `dart` usam um modelo baseado em árvore, enquanto `gblinear` usa uma função linear. **Opcional** Valores válidos: string. `"gbtree"`, `"gblinear"` ou `"dart"`. Valor padrão: `"gbtree"`  | 
| colsample\$1bylevel |  Taxa de subsampling de colunas para cada divisão, em cada nível. **Opcional** Valores válidos: flutuante. Intervalo: [0,1]. Valor padrão: 1  | 
| colsample\$1bynode |  Taxa de subamostra de colunas de cada nó. **Opcional** Valores válidos: flutuante. Intervalo: [0,1]. Valor padrão: 1  | 
| colsample\$1bytree |  Taxa de subsampling de colunas ao criar cada árvore. **Opcional** Valores válidos: flutuante. Intervalo: [0,1]. Valor padrão: 1  | 
| csv\$1weights |  Quando esse sinalizador está ativado, XGBoost diferencia a importância das instâncias para entrada de csv usando a segunda coluna (a coluna após os rótulos) nos dados de treinamento como os pesos da instância. **Opcional** Valores válidos: 0 ou 1 Valor padrão: 0  | 
| deterministic\$1histogram |  Quando esse sinalizador está habilitado, XGBoost cria o histograma na GPU de forma determinística. Usado somente quando `tree_method` está definido como `gpu_hist`. Para obter uma lista completa de entradas válidas, consulte [XGBoost Parâmetros](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst). **Opcional** Valores válidos: string. Intervalo: `"true"` ou `"false"`. Valor padrão: `"true"`  | 
| early\$1stopping\$1rounds |  O modelo será treinado até que a pontuação de validação pare de melhorar. O erro de validação precisa diminuir pelo menos `early_stopping_rounds` a cada vez para continuar treinando. SageMaker A hospedagem de IA usa o melhor modelo para inferência. **Opcional** Valores válidos: inteiro. Valor padrão: -  | 
| eta |  Diminuição do tamanho das etapas: técnica usada em atualizações para evitar o sobreajuste. Depois de cada etapa de aumento, você pode obter os pesos dos novos atributos diretamente. Na verdade, o parâmetro `eta` diminui os pesos dos atributos para tornar o processo de aumento mais conservador. **Opcional** Valores válidos: flutuante. Intervalo: [0,1]. Valor padrão: 0.3  | 
| eval\$1metric |  Métricas de avaliação para os dados de validação. Uma métrica padrão é atribuída de acordo com o objetivo: [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/xgboost_hyperparameters.html) Para obter uma lista de entradas válidas, consulte [Parâmetros da tarefa de XGBoost aprendizagem](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters). **Opcional** Valores válidos: string. Valor padrão: de acordo com o objetivo.  | 
| gamma |  A redução de perda mínima necessária para fazer uma partição adicional em um nó de folha da árvore. Quanto maior for o parâmetro, mais conservador será o algoritmo. **Opcional** Valores válidos: flutuante. Intervalo: [0,∞). Valor padrão: 0  | 
| grow\$1policy |  Controla a forma como os novos nós são adicionados à árvore. No momento, ele é apenas compatível quando `tree_method` está definido como `hist`. **Opcional** Valores válidos: string. `"depthwise"` ou `"lossguide"`. Valor padrão: `"depthwise"`  | 
| interaction\$1constraints |  Especifique grupos de variáveis que podem interagir. **Opcional** Valores válidos: Lista aninhada de números inteiros. Cada número inteiro representa um atributo, e cada lista aninhada contém atributos que podem interagir, por exemplo, [[1,2], [3,4,5]]. Valor padrão: Nenhum  | 
| lambda |  Termo de regularização L2 nos pesos. Aumentar esse valor torna os modelos mais conservadores. **Opcional** Valores válidos: flutuante. Valor padrão: 1  | 
| lambda\$1bias |  Termo de regularização L2 na polarização. **Opcional** Valores válidos: flutuante. Intervalo: [0.0, 1.0]. Valor padrão: 0  | 
| max\$1bin |  O número máximo de compartilhamentos distintos para os atributos contínuos de bucket. Usado somente quando `tree_method` está definido como `hist`.  **Opcional** Valores válidos: inteiro. Valor padrão: 256  | 
| max\$1delta\$1step |  O máximo de etapas delta permitido para a estimativa de peso de cada árvore. Quando um inteiro positivo é usado, ajuda a tornar a atualização mais conservadora. A opção preferida é usá-lo em regressão logística. Defina-o como 1 a 10 para ajudar a controlar a atualização.  **Opcional** Valores válidos: inteiro. Intervalo: [0,∞). Valor padrão: 0  | 
| max\$1depth |  A profundidade máxima de uma árvore. Aumentar esse valor torna o modelo mais complexo e propenso a sofrer sobreajuste. 0 indica que não há limite. Um limite é necessário quando `grow_policy`=`depth-wise`. **Opcional** Valores válidos: inteiro. Intervalo: [0,∞) Valor padrão: 6  | 
| max\$1leaves |  O número máximo de nós a ser adicionado. Relevante apenas quando `grow_policy` está definido como `lossguide`. **Opcional** Valores válidos: inteiro. Valor padrão: 0  | 
| min\$1child\$1weight |  A soma mínima de peso de instância (hessiano) necessária em um elemento filho. Se a etapa de partição da árvore resulta em um nó de folha com a soma de peso de instância inferior a `min_child_weight`, o processo de criação cede mais particionamento. Em modelos de regressão linear, isso basicamente corresponde ao número mínimo de instâncias necessárias em cada nó. Quanto maior for o algoritmo, mais conservador ele será. **Opcional** Valores válidos: flutuante. Intervalo: [0,∞). Valor padrão: 1  | 
| monotone\$1constraints |  Especifica as restrições de monotonicidade em qualquer atributo. **Opcional** Valores válidos: Tupla de números inteiros. Números inteiros válidos: -1 (restrição decrescente), 0 (sem restrição), 1 (restrição crescente).  Por exemplo, (0, 1): Nenhuma restrição no primeiro preditor e uma restrição crescente no segundo. (-1, 1): Restrição decrescente no primeiro preditor e uma restrição crescente no segundo. Valor padrão: (0, 0)  | 
| normalize\$1type |  Tipo de algoritmo de normalização. **Opcional** Valores válidos: *tree* ou *forest*. Valor padrão: *tree*  | 
| nthread |  Número de threads paralelos usado para executar *XGBoost*. **Opcional** Valores válidos: inteiro. Valor padrão: o número máximo de threads.  | 
| objective |  Especifica a tarefa de aprendizado e o objetivo de aprendizado correspondente. Exemplos: `reg:logistic`, `multi:softmax`, `reg:squarederror`. Para obter uma lista completa de entradas válidas, consulte [Parâmetros da tarefa de XGBoost aprendizagem](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters). **Opcional** Valores válidos: string Valor padrão: `"reg:squarederror"`  | 
| one\$1drop |  Quando esse sinalizador está habilitado, pelo menos uma árvore é sempre descartada durante o processo. **Opcional** Valores válidos: 0 ou 1 Valor padrão: 0  | 
| process\$1type |  O tipo de processo de aumento a ser executado. **Opcional** Valores válidos: string. `"default"` ou `"update"`. Valor padrão: `"default"`  | 
| rate\$1drop |  A taxa de abandono que especifica a fração de árvores anteriores a serem descartadas durante o abandono. **Opcional** Valores válidos: flutuante. Intervalo: [0.0, 1.0]. Valor padrão: 0.0  | 
| refresh\$1leaf |  Este é um parâmetro do plug-in do atualizador "refresh". Quando definido como `true` (1), as folhas da árvore e as estatísticas de nó da árvore são atualizadas. Quando definido como `false` (0), somente as estatísticas de nós da árvore são atualizadas. **Opcional** Valores válidos: 0/1 Valor padrão: 1  | 
| sample\$1type |  Tipo de algoritmo de amostragem. **Opcional** Valores válidos: `uniform` ou `weighted`. Valor padrão: `uniform`  | 
| scale\$1pos\$1weight |  Controla o equilíbrio dos pesos positivos e negativos. É útil para classes desbalanceadas. Um valor típico a ser considerado: `sum(negative cases)` / `sum(positive cases)`. **Opcional** Valores válidos: flutuante Valor padrão: 1  | 
| seed |  Origem de número aleatório. **Opcional** Valores válidos: inteiro Valor padrão: 0  | 
| single\$1precision\$1histogram |  Quando esse sinalizador está ativado, XGBoost usa precisão simples para criar histogramas em vez de precisão dupla. Usado somente se `tree_method` estiver definido como `hist` ou `gpu_hist`. Para obter uma lista completa de entradas válidas, consulte [XGBoost Parâmetros](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst). **Opcional** Valores válidos: string. Intervalo: `"true"` ou `"false"` Valor padrão: `"false"`  | 
| sketch\$1eps |  Usado apenas para algoritmo voraz aproximado. Isso se converte em O(1 / número de compartimentos `sketch_eps`) Em comparação com o número de compartimentos diretamente selecionado, esse parâmetro agrega garantia teórica com precisão de esboço. **Opcional** Valores válidos: flutuante. Intervalo: [0, 1]. Valor padrão: 0.03  | 
| skip\$1drop |  Probabilidade de ignorar o procedimento de dropout durante uma iteração de aumento. **Opcional** Valores válidos: flutuante. Intervalo: [0.0, 1.0]. Valor padrão: 0.0  | 
| subsample |  Taxa de subsampling da instância de treinamento. Defini-lo como 0,5 significa que coleta XGBoost aleatoriamente metade das instâncias de dados para cultivar árvores. Isso evita o sobreajuste. **Opcional** Valores válidos: flutuante. Intervalo: [0,1]. Valor padrão: 1  | 
| tree\$1method |  O algoritmo de construção de árvores usado em XGBoost. **Opcional** Valores válidos: Um de `auto`, `exact`, `approx`, `hist` ou `gpu_hist`. Valor padrão: `auto`  | 
| tweedie\$1variance\$1power |  O parâmetro que controla a variação da distribuição Tweedie. **Opcional** Valores válidos: flutuante. Intervalo: (1, 2). Valor padrão: 1.5  | 
| updater |  Uma string separada por vírgulas que define a sequência de atualizadores de árvore a ser executada. Isso fornece uma forma modular de construir e modificar as árvores. Para obter uma lista completa de entradas válidas, consulte [XGBoost Parâmetros](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst). **Opcional** Valores válidos: string separada por vírgulas. Valor padrão: `grow_colmaker`, prune  | 
| use\$1dask\$1gpu\$1training |  Defina `use_dask_gpu_training` como `"true"` se quiser executar um treinamento distribuído de GPU com o Dask. Só há compatibilidade com o treinamento de GPU do Dask nas versões 1.5-1 e posteriores. Não defina esse valor como `"true"` nas versões anteriores à 1.5-1. Para obter mais informações, consulte [Treinamento de GPU distribuído](xgboost.md#Instance-XGBoost-distributed-training-gpu). **Opcional** Valores válidos: string. Intervalo: `"true"` ou `"false"` Valor padrão: `"false"`  | 
| verbosity | Verbosidade de impressão de mensagens. Valores válidos: 0 (silencioso), 1 (aviso), 2 (informações), 3 (depuração). **Opcional** Valor padrão: 1  |