Parametri reglabili în XGBoost

Gradient Boosting Extrem cu XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Parametri reglabili comuni pentru arbori

  • learning rate: rată de învățare/eta
  • gamma: reducere min. a pierderii pentru o nouă împărțire
  • lambda: reg. L2 pe ponderile frunzelor
  • alpha: reg. L1 pe ponderile frunzelor
  • max_depth: adâncime maximă per arbore
  • subsample: % eșantioane utilizate per arbore
  • colsample_bytree: % caracteristici utilizate per arbore
Gradient Boosting Extrem cu XGBoost

Parametri reglabili pentru modele liniare

  • lambda: reg. L2 pe ponderi
  • alpha: reg. L1 pe ponderi

  • lambda_bias: termen reg. L2 pe bias

  • Numărul de estimatori poate fi reglat pentru ambele tipuri de model de bază!

Gradient Boosting Extrem cu XGBoost

Să trecem la reglare!

Gradient Boosting Extrem cu XGBoost

Preparing Video For Download...