Laditelné parametry v XGBoost

Extreme Gradient Boosting with XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Běžné laditelné parametry stromu

  • learning rate: rychlost učení/eta
  • gamma: min. redukce ztráty pro nové rozdělení stromu
  • lambda: L2 reg. vah listů
  • alpha: L1 reg. vah listů
  • max_depth: max. hloubka stromu
  • subsample: % vzorků použitých na strom
  • colsample_bytree: % příznaků použitých na strom
Extreme Gradient Boosting with XGBoost

Laditelné parametry lineárního modelu

  • lambda: L2 reg. vah
  • alpha: L1 reg. vah

  • lambda_bias: L2 reg. člen pro bias

  • Počet estimátorů lze ladit pro oba typy základních modelů!

Extreme Gradient Boosting with XGBoost

Pojďme na ladění!

Extreme Gradient Boosting with XGBoost

Preparing Video For Download...