XGBoost 超參數

類別數。

若 objective 設為 multi:softmax 或 multi:softprob 則為必要。

有效值：整數。

執行訓練的捨入數。

必要

有效值：整數。

權重的 L1 正規化詞彙。增加此值可讓模型更為保守。

選用

有效值：浮點數。

預設值：0

所有執行個體、全域偏差的初始預測分數。

選用

有效值：浮點數。

預設值：0.5

要使用哪些提升工具。gbtree 和 dart 值使用樹狀模型，而 gblinear 使用線性函式。

選用

有效值：字串。"gbtree"、"gblinear" 或 "dart" 其中之一。

預設值："gbtree"

每個層級中的每個分割之欄次取樣率。

選用

有效值：浮點數。範圍：[0,1]。

預設值：1

每個節點中資料欄的次取樣率。

選用

有效值：浮點數。範圍：(0,1]。

預設值：1

建構每棵樹時的欄次取樣率。

選用

有效值：浮點數。範圍：[0,1]。

預設值：1

啟用此旗標時， 會將訓練資料中的第二欄 （標籤後的資料欄） 視為執行個體權重，以XGBoost區分 csv 輸入執行個體的重要性。

選用

有效值：0 或 1

預設值：0

啟用此旗標時， 會在 GPU 上以決定性方式XGBoost建置長條圖。僅於 tree_method 設為 gpu_hist 時才使用。

如需有效輸入的完整清單，請參閱 XGBoost 參數。

選用

有效值：字串。範圍："true" 或 "false"。

預設值："true"

模型會一直訓練到驗證分數停止上升為止。驗證錯誤至少需要減少每個 early_stopping_rounds 才能繼續訓練。 SageMaker AI 託管使用最佳模型進行推論。

選用

有效值：整數。

預設值：-

用於更新以避免過度擬合的步驟大小收縮。在每個提升步驟後，您可以直接取得新功能的權重。eta 參數會縮減功能權重，讓提升程序更保守。

選用

有效值：浮點數。範圍：[0,1]。

預設值：0.3

驗證資料的評估指標。預設指標是根據目標指派：

如需有效輸入的清單，請參閱XGBoost學習任務參數。

選用

有效值：字串。

預設值：根據目標預設。

進一步在樹上的葉片節點分區所需的最低遺失縮減量。演算法越大就越保守。

選用

有效值：浮點數。範圍：[0,∞)。

預設值：0

控制新增節點到樹的方式。目前只有 tree_method 設為 hist 時才受支援。

選用

有效值：字串。"depthwise" 或 "lossguide"。

預設值："depthwise"

指定允許互動的變數群組。

選用

有效值：嵌套的整數清單。每個整數表示一個特徵，每個嵌套清單包含允許互動的特徵，例如 [[1,2]、[3,4,5]]。

預設值：無

權重的 L2 正規化詞彙。增加此值可讓模型更為保守。

選用

有效值：浮點數。

預設值：1

偏差的 L2 正規化詞彙。

選用

有效值：浮點數。範圍：[0.0, 1.0]。

預設值：0

最大數量的分散式資料匣，以儲存持續功能。僅於 tree_method 設為 hist 時才使用。

選用

有效值：整數。

預設值：256

每個樹的權重估值允許使用最高差量步驟。使用正整數時，有助於讓更新更為保守。偏好選項是在邏輯回歸中使用。設定為 1-10，以協助控制更新。

選用

有效值：整數。範圍：[0,∞)。

預設值：0

最大樹深度。增加此值可讓模型更為複雜也更有可能過度擬合。0 表示無限制。當 grow_policy=depth-wise 時便需要限制。

選用

有效值：整數。範圍：[0,∞)

預設值：6

要新增的最大節點數量。只有 grow_policy 設為 lossguide 時才相關。

選用

有效值：整數。

預設值：0

子系中需要執行個體權重的最低總和 (hessian)。如果葉片節點中的樹狀分區步驟的執行個體權重總和少於 min_child_weight，建置程序將提供進一步的分區。在線性回歸模型中，這就是對應各節點中所需的最低執行個體數量。演算法越大就越保守。

選用

有效值：浮點數。範圍：[0,∞)。

預設值：1

指定任何特徵的單調性限制條件。

選用

有效值：整數元組。有效整數：-1 (遞減限制條件)、0 (無限制條件)、1 (增加限制條件)。

例如，(0, 1)：第一個預測器沒有限制條件，在第二個預測器增加限制條件。(-1，1)：在第一個預測器減少限制條件，並在第二個預測器增加限制條件。

預設值：(0, 0)

標準化演算法類型。

選用

有效值：tree 或 forest。

預設值：tree

用於執行 xgboost 的平行執行緒數量。

選用

有效值：整數。

預設值：最大執行緒數量。

指定學習任務和對應的學習目標。範例：reg:logistic、multi:softmax、reg:squarederror。如需有效輸入的完整清單，請參閱XGBoost學習任務參數。

選用

有效值：字串

預設值："reg:squarederror"

當啟用此旗標時，至少有一棵樹一律在退出時刪除。

選用

有效值：0 或 1

預設值：0

要執行的提升程序類型。

選用

有效值：字串。"default" 或 "update"。

預設值："default"

退出率，指定在退出時刪除一小部分的舊樹。

選用

有效值：浮點數。範圍：[0.0, 1.0]。

預設值：0.0

這是 '重新整理' 更新工具外掛程式的參數。當設定為 true (1) 時，會更新樹分葉與樹節點的統計資料。當設定為 false (0) 時，只更新樹節點的統計資料。

選用

有效值：0/1

預設值：1

取樣演算法類型。

選用

有效值：uniform 或 weighted。

預設值：uniform

控制正負加權的平衡。對於不平衡的分類非常實用。要考慮的典型值：sum(negative cases) / sum(positive cases)。

選用

有效值：浮點數

預設值：1

隨機數量種子。

選用

有效值：整數

預設值：0

啟用此旗標時， XGBoost會使用單一精確度來建置長條圖，而非雙精確度。僅於 tree_method 設為 hist 或 gpu_hist 時才使用。

如需有效輸入的完整清單，請參閱 XGBoost 參數。

選用

有效值：字串。範圍："true" 或 "false"

預設值："false"

僅適用於預估值貪婪演算法。這會轉譯為 O(1/sketch_eps) 個資料匣。相較於直接選擇資料匣數量，這會搭配含有示意圖精準度的理論保證。

選用

有效值：浮點數、範圍：[0, 1]。

預設值：0.03

反覆提升時略過退出程序的可能性。

選用

有效值：浮點數。範圍：[0.0, 1.0]。

預設值：0.0

訓練執行個體的次取樣率。將其設定為 0.5 表示 會XGBoost隨機收集一半的資料執行個體來成長樹。這可避免過度擬合。

選用

有效值：浮點數。範圍：[0,1]。

預設值：1

中使用的樹狀結構演算法XGBoost。

選用

有效值：auto、exact、approx、hist 或 gpu_hist 其中之一。

預設值：auto

控制 Tweedie 分發的方差之參數。

選用

有效值：浮點數。範圍：(1, 2)。

預設值：1.5

以逗號分隔的字串，用於定義要執行的樹更新工具序列。這提供模組化方式來建構和修改樹。

如需有效輸入的完整清單，請參閱 XGBoost 參數。

選用

有效值：逗號分隔字串。

預設值：grow_colmaker、prune

"true" 如果您想要使用 Dask 執行分散式GPU訓練，請將 use_dask_gpu_training設定為 。僅 1.5-1 版和更新版本支援 Dask GPU訓練。對於 1.5-1 之前的版本，請勿將此值設定為 "true"。如需詳細資訊，請參閱分散式GPU訓練。

選用

有效值：字串。範圍："true" 或 "false"

預設值："false"

列印訊息的詳細資訊等級。

有效值：0 (無訊息)、1 (警告)、2 (資訊)、3 (除錯)。

選用

預設值：1