網(wǎng)上有很多關(guān)于刷pos機(jī)顯示參數(shù),xgboost參數(shù)調(diào)整筆記的知識(shí)，也有很多人為大家解答關(guān)于刷pos機(jī)顯示參數(shù)的問題，今天pos機(jī)之家(m.afbey.com)為大家整理了關(guān)于這方面的知識(shí)，讓我們一起來看下吧!
本文目錄一覽：
刷pos機(jī)顯示參數(shù)
xgboost是目前最火熱的模型之一
調(diào)參是機(jī)器學(xué)習(xí)的黑暗藝術(shù)，通常最優(yōu)的模型參數(shù)依賴于場景，基本上沒有一個(gè)普適的方法。xgboost是現(xiàn)階段使用特別多的一個(gè)模型，這里只能一個(gè)簡單的調(diào)參指引
理解偏置-方差的權(quán)衡
這個(gè)偏置-方差 權(quán)衡的概念是一般機(jī)器學(xué)習(xí)或者統(tǒng)計(jì)課程當(dāng)中的基本概念。其基本思路就是如果我們?cè)试S模型變得更加復(fù)雜，例如加深gbdt的每棵樹，模型就擁有更好的逼近能力，從而得到偏置更小的模型，但是我們需要更多的訓(xùn)練數(shù)據(jù)。大多數(shù)xgboost中的參數(shù)都是偏置-方差的權(quán)衡。最好的參數(shù)會(huì)權(quán)衡好最終模型的復(fù)雜程度和預(yù)測能力。這里將從過擬合控制和非平衡數(shù)據(jù)出發(fā)考慮參數(shù)
控制過擬合：
當(dāng)我們觀察到訓(xùn)練的時(shí)候準(zhǔn)確率非常高，但是測試準(zhǔn)確率很低的時(shí)候，就是模型過擬合的時(shí)候通常xgboost的使用中，我們有兩個(gè)方法去控制過擬合現(xiàn)象
第一個(gè)方法是直接控制模型的復(fù)雜度
這里面包括max_depth，min_child_weight和gamma
第二種方法是在模型中添加隨機(jī)性來提高魯棒性
包括subsample和colsample_bytree參數(shù)
我們還可以降低步長eta，但是需要記得同時(shí)提高樹的棵樹
處理非平衡數(shù)據(jù)集
通常而言廣告的點(diǎn)擊率預(yù)估數(shù)據(jù)集都是非平衡的。這其實(shí)會(huì)影響最終xgboost學(xué)習(xí)得到的模型，通常我們有兩個(gè)方法來改善
如果最終模型是為了提高預(yù)測的auc
調(diào)整scale_pos_weight平衡正負(fù)樣本的權(quán)重
使用auc來做驗(yàn)證
如果最終模型看重預(yù)測的正確率
通過設(shè)置參數(shù)max_delta_step來幫助模型收斂
以上就是關(guān)于刷pos機(jī)顯示參數(shù),xgboost參數(shù)調(diào)整筆記的知識(shí)，后面我們會(huì)繼續(xù)為大家整理關(guān)于刷pos機(jī)顯示參數(shù)的知識(shí)，希望能夠幫助到大家！
