Các tham số có thể tinh chỉnh trong XGBoost

Gradient Boosting Cực Mạnh với XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Tham số thường tinh chỉnh cho cây

  • learning rate: tốc độ học/eta
  • gamma: giảm loss tối thiểu để tạo nút chia mới
  • lambda: L2 reg cho trọng số lá
  • alpha: L1 reg cho trọng số lá
  • max_depth: độ sâu tối đa mỗi cây
  • subsample: % mẫu dùng cho mỗi cây
  • colsample_bytree: % đặc trưng dùng cho mỗi cây
Gradient Boosting Cực Mạnh với XGBoost

Tham số có thể tinh chỉnh cho mô hình tuyến tính

  • lambda: L2 reg cho trọng số
  • alpha: L1 reg cho trọng số

  • lambda_bias: hạng tử L2 reg cho bias

  • Bạn cũng có thể tinh chỉnh số lượng estimators cho cả hai loại mô hình nền!

Gradient Boosting Cực Mạnh với XGBoost

Bắt tay vào tinh chỉnh thôi!

Gradient Boosting Cực Mạnh với XGBoost

Preparing Video For Download...