本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
CatBoost 超参数
下表包含 Amazon SageMaker CatBoost 算法必需或最常用的超参数子集。用户可以设置这些参数，以便于从数据中估算模型参数。该 SageMaker CatBoost 算法是开源CatBoost
注意
默认超参数基于 CatBoost 样本笔记本中的示例数据集。
默认情况下，该 SageMaker CatBoost 算法会根据分类问题的类型自动选择评估指标和损失函数。该 CatBoost 算法根据数据中的标签数量来检测分类问题的类型。对于回归问题，评估指标和损失函数都为均方根误差。对于二元分类问题，评估指标是曲线下的面积 (AUC)，损失函数是对数损失。对于多元分类问题，评估指标和损失函数都是二元交叉熵。您可以使用 eval_metric 超参数来更改默认评估指标。有关 Light GBM 超参数的更多信息，包括描述、有效值和默认值，请参阅下表。
| 参数名称 | 描述 |
|---|---|
iterations |
可以构建的最大树数量。 有效值：整数，范围：正整数。 默认值： |
early_stopping_rounds |
如果在过去的 有效值：整数。 默认值： |
eval_metric |
验证数据的评估指标。如果
有效值：字符串，有关有效值，请参阅CatBoost 文档 默认值： |
learning_rate |
完成每批训练样本后，更新模型权重的速率。 有效值：浮点型，范围：（ 默认值： |
depth |
树的深度。 有效值：整数，范围：( 默认值： |
l2_leaf_reg |
成本函数的 L2 正则化项的系数。 有效值：整数，范围：正整数。 默认值： |
random_strength |
选择树结构时用于对拆分进行评分的随机量。使用此参数以避免模型过度拟合。 有效值：浮点型，范围：正浮点数。 默认值： |
max_leaves |
所生成树中叶的最大数量。只能与 有效值：整数，范围：[ 默认值： |
rsm |
随机子空间方法。再次随机选择特征时，每次拆分选择时要使用的特征百分比。 有效值：浮点型，范围：（ 默认值： |
sampling_frequency |
构建树时对权重和对象进行采样的频率。 有效值：字符串，以下任意值：（ 默认值： |
min_data_in_leaf |
一个叶中训练样本的最小数量。 CatBoost 不搜索样本计数小于指定值的树叶中的新分裂。只能与 有效值：整数，范围：（ 默认值： |
bagging_temperature |
定义贝叶斯自举法的设置。使用贝叶斯自举法向对象分配随机权重。如果将 有效值：浮点型，范围：非负浮点数。 默认值： |
boosting_type |
提升架构。“自动”表示根据处理单元类型、训练数据集中的对象数量和所选学习模式来选择 有效值：字符串，以下任意值：（ 默认值： |
scale_pos_weight |
二元分类中正向类的权重。该值用作来自正向类的对象权重的乘数。 有效值：浮点型，范围：正浮点数。 默认值： |
max_bin |
数字特征的拆分数。 有效值：字符串，可以是：（ 默认值： |
grow_policy |
树增长策略。定义如何执行贪婪树构造。 有效值：字符串，以下任意值：（ 默认值： |
random_seed |
用于训练的随机种子。 有效值：整数，范围：非负整数。 默认值： |
thread_count |
训练期间使用的线程数。如果 有效值：整数，以下任意值：（ 默认值： |
verbose |
打印消息的详细程度。级别越高，对应的打印报表更详细。 有效值：整数，范围：正整数。 默认值： |
