Parametri regolabili in XGBoost

Extreme Gradient Boosting con XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Parametri comuni regolabili per alberi

  • learning rate: learning rate/eta
  • gamma: riduzione min di loss per creare uno split
  • lambda: reg L2 sui pesi delle foglie
  • alpha: reg L1 sui pesi delle foglie
  • max_depth: profondità max per albero
  • subsample: % di campioni usati per albero
  • colsample_bytree: % di feature usate per albero
Extreme Gradient Boosting con XGBoost

Parametri regolabili per modelli lineari

  • lambda: reg L2 sui pesi
  • alpha: reg L1 sui pesi

  • lambda_bias: termine di reg L2 sul bias

  • Puoi anche regolare il numero di stimatori usati per entrambi i tipi di modelli base!

Extreme Gradient Boosting con XGBoost

Passiamo alla regolazione!

Extreme Gradient Boosting con XGBoost

Preparing Video For Download...