CatBoost参数解释
官方链接
https://tech.yandex.com/catboost/doc/dg/concepts/python-reference_parameters-list-docpage/
Common parameters
- nan_mode (string): 处理输入数据中缺失值的方法,包括Forbidden(禁止存在缺失),Min(用最小值补),Max(用最大值补)。默认Min。
- calc_feature_importance (bool): 是否计算特征重要性。默认True。
- fold_permutation_block_size (int): 在数据随机排列前分块,值越小越慢。默认1。
- ignored_features (list): 忽略数据集中的某些特征。默认None。
- use_best_model (bool): 设置此参数时,需要提供测试数据,树的个数通过训练参数和优化loss function获得。默认False。
- loss_function (string/ object): 支持的有RMSE, Logloss, MAE, CrossEntropy, Quantile, LogLinQuantile, Multiclass, MultiClassOneVsAll, MAPE, Poisson。默认Logloss。
- custom_loss (object): 训练过程中损失函数的值。默认None。
- eval_metric (string): 用于过拟合检验(设置True)和最佳模型选择(设置True)的loss function,用于优化。
- iterations (int): 最大树数。默认500。
- border (float): 用于二分类/使用Logloss function中,大于border认为是正样本。默认0.5。
- gradient_iterations (int): 梯度下降的步数。默认1。
- depth (int): 树深,最大16,建议在1到10之间。默认6。
- learning_rate (float): 学习率。默认0.03。
- rsm (float [0; 1]): 随机子空间(Random subspace method)。默认1。
- partition_random_seed (int): 随机种子。默认None,每次训练随机选择。
- leaf_estimation_method (string): 计算叶子值的方法,Newton/ Gradient。默认Gradient。
- l2_leaf_reg (int): l2正则参数。默认3
- has_time (bool): 在将categorical features转化为numerical features和选择树结构时,顺序选择输入数据。默认False(随机)。
- priors (string): 训练过程中指定先验。默认None。
- feature_priors (list): 在将categorical features转化为numerical features时,指定先验。
- name (string): 在可视化工具中的实验名称。默认experiment。
- fold_len_multiplier (float): folds长度系数。设置大于1的参数,在参数较小时获得最佳结果。默认2。
- approx_on_full_history (bool): 计算近似值,False:使用1/fold_len_multiplier计算;True:使用fold中前面所有行计算。默认False。
- class_weights (list): 类别的权重。默认None。
- classes_count (int): 类别label的上限。默认:类别label最大值+1。
- one_hot_max_size (bool): 如果feature包含的不同值的数目超过了指定值,将feature转化为float。默认False
- random_strength (float): 分数标准差乘数。默认1。
- bagging_temperature (float): 贝叶斯套袋控制强度,区间[0, 1]。默认1。
Overfitting detection settings
- od_type (string): 过拟合检测类型:IncToDec/ Iter。默认IncToDec。
- od_pval (float): 使用IncToDec时的阈值,值越大越早检测出过拟合。默认0(不使用过拟合检测)。
- od_wait (int): 在最小化损失函数后的迭代次数。使用InctoDec时,表示当达到阈值后,忽略过拟合检测,继续训练。使用Iter时,表示达到指定次数后,停止训练。默认20。
CTR settings
- ctr_description (string): categorical features的二值化设置。默认None。包括CTR类型(Borders, Buckets, BinarizedTargetMeanValue,Counter),边界数(只对回归,范围1-255,默认1),二值化类型(只对回归,Median, Uniform, UniformAndQuantiles, MaxSumLog, MinEntropy, GreedyLogSum,默认MinEntropy)。默认None。
- counter_calc_method (string): 计算点击率类型的方法,PrefixTest考虑测试集中当前对象,FullTest考虑测试集中所有对象,SkipTest不考虑测试集中的对象,Full考虑训练和测试集中的全部对象。默认None(PrefixTest)。
- ctr_border_count (int): categorical features的分割数,范围1-255。默认16。
- max_ctr_complexity (int): 组合categorical features的最大数目。默认4。
- ctr_leaf_count_limit (int): categorical features最大叶子数,如果超过设置值则部分叶子被丢弃。叶子按值的频率排序,选择前n个(n为设置值),之后的叶子全丢弃。默认None。
- store_all_simple_ctr (bool): 忽略不使用的categorical features。与ctr_leaf_count_limit一起使用。默认False。
Binarization settings
- border_count (int): numerical features的分割数,范围1-255。默认128。
- feature_border_type (string): numerical features的二值化模式,Median, Uniform, UniformAndQuantiles, MaxSumLog, MinEntropy, GreedyLogSum。默认MiniEntropy。
Performance settings
- thread_count (int): 训练模型时使用的thread,不影响结果。默认None。
Output settings
- verbose (bool): 显示详细信息。默认False。
- train_dir (string): 储存训练期间的文件目录。默认当前目录。
- allow_writing_files (bool): 允许在训练期间写analytical和snapshot文件。如果设置为False,snapshot和可视化工具不能使用。默认True。
- save_snapshot (bool): 启用snapshot在中断后存储训练进度。默认None。
- snapshot_file (string): 存储的文件名称。默认experiment.cbsnapshot。
- plot (bool): 训练期间输出以下信息:损失函数值,自定损失值,已训练时间,距训练结束时间。在jupyter notebook中可以使用。默认False。
CatBoost参数解释相关推荐
- CatBoost参数解释和实战
据开发者所说超越Lightgbm和XGBoost的又一个神器,不过具体性能,还要看在比赛中的表现了. 整理一下里面简单的教程和参数介绍,很多参数不是那种重要,只解释部分重要的参数,训练时需要重点考虑的 ...
- /etc/sysctl.conf参数解释
/etc/sysctl.conf参数解释: fs.file max = 999999 #表示进程(例如一个worker进程)可能同时打开的最大句柄数,直接限制最大并发连接数net.ipv4.tcp_t ...
- lcd参数解释及刷新率计算,LCD时序
一.LCD显示图像的过程如下: 其中,VSYNC和HSYNC是有宽度的,加上后如下: 参数解释: HBP(Horizontal Back Porch)水平后沿:在每行或每列的象素数据开始输出时要插入的 ...
- CNN tflearn处理mnist图像识别代码解说——conv_2d参数解释,整个网络的训练,主要就是为了学那个卷积核啊。...
官方参数解释: Convolution 2D tflearn.layers.conv.conv_2d (incoming, nb_filter, filter_size, strides=1, pad ...
- sklearn之pipeline:sklearn.pipeline函数使用及其参数解释之详细攻略
sklearn之pipeline:sklearn.pipeline函数使用及其参数解释之详细攻略 目录 sklearn.pipeline函数使用及其参数解释 sklearn.pipeline函数使用及 ...
- mysql5.7命中率_MySQL5.7中 performance和sys schema中的监控参数解释(推荐)
1.performance schema:介绍 在mysql5.7中,performance schema有很大改进,包括引入大量新加入的监控项.降低占用空间和负载,以及通过新的sys schema机 ...
- XGBoost-Python完全调参指南-参数解释篇
本文转自XGBoost-Python完全调参指南-参数解释篇.对XGBoost有需要小伙伴可以参看.并在此基础上,添加了一些内容. 在analytics vidhya上看到一篇<Complete ...
- word2vec应用场景_word2vec的使用参数解释和应用场景
" > corpus.txt ``` 因为这些数据虽然去除了其他标签的数据,但是却把保留下来了,所以后来作者在分词程序中去除了这个标签 我在这个[网页](http://www.jb51 ...
- 执行计划中的参数解释
执行计划中的各个参数解释: 一.Recursive calls (递归调用) 1.参考:Oracle Database Reference, 10g Release 2 (10.2).pdf第916页 ...
最新文章
- [编译原理学习]词法分析
- 【渝粤教育】21秋期末考试管理会计10171k2
- PAT乙类1007之素数对猜想
- C语言 二维数组行数和列数计算 - C语言零基础入门教程
- linux vmware硬盘,给vmware的Linux虚拟机增添硬盘
- 常用JS库源码 - store.js源码/underscore.js源码
- CArray动态数组
- Java面试之谈谈对Volatile的理解
- ResNet的学习笔记~
- Android 图片文件操作、屏幕相关、.9图片的理解
- scala打印服务器消息,Spark中使用Scala实现WordCount业务
- leetcode 148. Sort List ----- java
- HTML和CSS面试题
- 简道云-第5章-流程
- 通过网络数据采集系统快速获得优质销售线索
- 物联网技术发展前景_3种推动物联网发展的技术
- 进化计算(六)——NSGA II代码实现(Matlab)
- java反射机制的实现原理 (一)
- Scala入门_开发环境安装
- IDEA加载jar包步骤