多元促進式決策樹
本文描述 Azure Machine Learning 設計工具中的一個元件。
使用此元件來建立以促進式決策樹演算法為基礎的機器學習模型。
促進式決策樹是一種整體學習方法,其中,第二個樹狀更正第一個樹狀的錯誤,第三個樹狀更正第一個和第二個樹狀的錯誤,依此類推。 預測是以整體樹狀為基礎。
如何設定
此元件會建立未定型的分類模型。 因為分類是監督式學習方法,所以您需要「已標記資料集」,其中包含所有資料列的標籤資料行和值。
您可以使用定型模型來定型這種類型的模型。
將多類別促進式決策樹元件新增至您的管線。
設定 [建立定型模式] 選項來指定要如何定型模型。
單一參數:如果您知道要如何設定模型,您可以提供一組特定值做為引數。
參數範圍:如果您不確定最佳參數,且想要執行參數掃掠,請選取此選項。 選取要反覆運算的值範圍,而調整模型超參數會反覆運算您提供的所有可能設定的組合,以判斷可產生最佳結果的超參數。
每個樹狀的分葉數上限:限制可在任何樹狀中建立的終端節點 (分葉) 數目上限。
增加此值,您可能會增加樹狀的大小,並實現更高的精確度,風險是過度學習和更長的定型時間。
[每個分葉節點的樣本數下限] 指出在樹狀中建立任何終端節點 (分葉) 所需的案例數目。
藉由增加此值,您會增加建立新規則的臨界值。 例如,若預設值是 1,即使單一案例可能會造成新規則的建立。 如果您將此值增加為 5,則定型資料必須至少包含五個符合相同條件的案例。
學習速率定義學習時的步調大小。 輸入 0 到 1 之間的數字。
學習速率會決定學習模組會合到最佳解決方案的快慢。 如果步調太大,您可能會超過最佳解決方案。 如果步驟太小,則定型會較久才收斂到最佳解決方案。
建構的樹狀數目指出要在整體中建立的決策樹總數。 藉由建立多個決策樹,您或許能夠有較佳的涵蓋範圍,但是定型時間會拉長。
[亂數種子] 會選擇性地設定非負整數,作為隨機種子值。 指定種子可確保每次以相同資料和參數執行都能重現。
隨機種子預設會設定為 42。 使用不同隨機種子的連續執行可能會有不同的結果。
定型模型:
後續步驟
請參閱 Azure Machine Learning 可用的元件集。