使用 TreeNet^® 分类 的 拟合模型 和 发现关键预测变量 的调整超参数的方法和公式

如果您指定多个超参数的值，则评估表中的模型取决于您是否评估了超参数的完整组合。

• 如果您选择 评估完整的参数组合，则算法评估超参数的每一个组合。此选项通常需要更长的时间来计算。
• 否则，该算法将按此顺序评估超参数：
  1. 学习速率
  2. 子样本部分
  3. 单值树的复杂度参数
  例如，假设该算法接收以下超参数：

  • 学习速率：0.001、0.01、0.1
  • 子样本部分：0.4、0.5、0.7
  • 最大终端节点数：4、6

  1. 该算法将子样本比率设置为 0.4，将最大终端节点数设置为 4。然后，该算法根据从最小到最大的顺序来评估学习速率：0.001、0.01、0.1。
  2. 假设该算法将 0.01 确定为最佳学习速率。然后，该算法将学习速率设置为 0.01，将最大终端节点数设置为 4。然后，该算法评估 0.4、0.5 和 0.7 的子样本比率。
  3. 假设该算法将 0.5 确定为最佳子样本比率。然后算法将学习速率设置为 0.01，将子样本比率设置为 0.5。然后，该算法评估 4 和 6 的最大节点数。
  4. 假设该算法将 6 确定为最佳最大终端节点数。然后 Minitab 生成学习速率 = 0.01、子样本比率为 0.5 和最大终端节点数为 6 的模型的评估表和结果。

在此示例中，不评估完整参数组合集的分析在评估表中包括 8 个模型。所有参数组合的分析包含 3 × 3 × 2 = 18 个组合，计算时间更长。

有关单个模型的准确度标准计算的详细信息，请转到 使用 TreeNet® 分类 的 拟合模型 和 发现关键预测变量 的模型汇总的方法和公式。