Justerbara parametrar i XGBoost

Extreme Gradient Boosting med XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Vanliga justerbara trädparametrar

  • learning rate: inlärningshastighet/eta
  • gamma: minsta förlustminskning för ny träddelning
  • lambda: L2-reg på lövvikter
  • alpha: L1-reg på lövvikter
  • max_depth: maximalt djup per träd
  • subsample: % sampel per träd
  • colsample_bytree: % särdrag per träd
Extreme Gradient Boosting med XGBoost

Justerbara linjära parametrar

  • lambda: L2-reg på vikter
  • alpha: L1-reg på vikter

  • lambda_bias: L2-reg på bias

  • Du kan även justera antalet estimatorer för båda bastyperna!

Extreme Gradient Boosting med XGBoost

Nu kör vi en övning!

Extreme Gradient Boosting med XGBoost

Preparing Video For Download...