TreeNet^® 分類による適合モデルおよび主要な予測変数を検出のハイパーパラメーターのチューニング方法と計算式

複数のハイパーパラメーターに値を指定する場合、評価表のモデルは、ハイパーパラメーターの完全な組み合わせを評価するかどうかによって異なります。

• 完全なパラメーターの組み合わせを評価するを選択すると、アルゴリズムはハイパーパラメーターのすべての組み合わせを評価します。このオプションは、一般に計算に時間がかかります。
• それ以外の場合、アルゴリズムはハイパーパラメーターを次の順序で評価します。
  1. 学習率
  2. サブサンプル割合
  3. 個々の木の複雑さパラメータ
  たとえば、アルゴリズムが次のハイパーパラメーターを受け取るとします。

  • 学習率：0.001, 0.01, 0.1
  • サブサンプル割合：0.4, 0.5, 0.7
  • ターミナルノードの最大数：4, 6

  1. このアルゴリズムでは、サブサンプル比率を0.4に、ターミナルノードの最大数を4に設定します。次に、アルゴリズムは学習率を最小から最大の順に評価します： 0.001, 0.01, 0.1.
  2. アルゴリズムが最適な学習率として0.01を識別するとします。次に、アルゴリズムは学習率を0.01に、ターミナルノードの最大数を4に設定します。次に、アルゴリズムは、0.4、0.5、および0.7のサブサンプル比率を評価します。
  3. アルゴリズムが0.5を最適なサブサンプル比率として識別するとします。次に、アルゴリズムは学習率を0.01に、サブサンプル比率を0.5に設定します。次に、アルゴリズムは、4と6のノードの最大数を評価します。
  4. アルゴリズムが最適なターミナルノードの最大数として6を識別したとします。次に、学習率 = 0.01、サブサンプル比率0.5、およびターミナルノードの最大数6を持つモデルの評価表と結果が作成されます。

この例では、パラメーターの組み合わせの完全なセットを評価しない分析で、評価表に8つのモデルが含まれています。すべてのパラメーターの組み合わせ分析では3 × 3 × 2 = 18通りの組み合わせがあり、計算に時間がかかります。

各モデルの精度基準の計算の詳細については、 TreeNet® 分類による適合モデルおよび主要な予測変数を検出のモデル要約の方法と計算式を参照してください。