調校 XGBoost 模型

自動模型調校，又稱為超參數調校，會透過在您的訓練和驗證資料集上，執行許多測試超參數範圍的任務，來尋找最佳版本的模型。您可以選擇三種類型的超參數：

• 學習 objective 功能，用於在模型訓練期間最佳化

• eval_metric，用於在驗證期間評估模型效能

• 一組超參數和一系列值，各別用於自動調校模型

您可以從演算法計算的評估指標集中，選擇評估指標。自動模型調校會搜尋所選擇的超參數，以找出產生之模型可最佳化評估指標的值組合。

注意

XGBoost 0.90 的自動模型調整功能只能從 Amazon SageMaker 開發套件取得，而不能從主控台使用。 SageMaker

如需模型調校的詳細資訊，請參閱執行自動模型調整 SageMaker。

XGBoost 演算法計算的評估指標

XGBoost 演算法會計算下列指標，用於模型驗證。調校模型時，請選擇這些指標的其中之一以評估模型。如需有效 eval_metric 值的完整清單，請參閱 XGBoost 學習任務參數

指標名稱	描述	最佳化方向
validation:accuracy	分類率，計算方式為 #(正確)/#(所有案例)。	最大化
validation:auc	曲線下的區域。	最大化
validation:error	二元分類錯誤率，計算方式為 #(錯誤案例)/#(所有案例)。	最小化
validation:f1	分類準確性的指標，計算方式為精確度和回呼的調和平均值。	最大化
validation:logloss	不記錄的機率。	最小化
validation:mae	絕對平均值錯誤。	最小化
validation:map	平均值的平均精度。	最大化
validation:merror	多類別分類錯誤率，計算方式為 #(錯誤案例)/#(所有案例)。	最小化
validation:mlogloss	多類別分類的不記錄機率。	最小化
validation:mse	均方錯差。	最小化
validation:ndcg	正規化的折扣累計收益。	最大化
validation:rmse	均方根錯誤。	最小化

可調校的 XGBoost 超參數

使用下列超參數調校 XGBoost 模型。對 XGBoost 評估指標最佳化影響最大的超參數為：alpha、min_child_weight、subsample、eta 和 num_round。

參數名稱	參數類型	建議範圍
alpha	ContinuousParameterRanges	MinValue: 0, MaxValue
colsample_bylevel	ContinuousParameterRanges	MinValue：零一 MaxValue
colsample_bynode	ContinuousParameterRanges	MinValue：零一 MaxValue
colsample_bytree	ContinuousParameterRanges	MinValue MaxValue：半點
eta	ContinuousParameterRanges	MinValue：零 MaxValue
gamma	ContinuousParameterRanges	MinValue: 0, MaxValue: 5
lambda	ContinuousParameterRanges	MinValue: 0, MaxValue
max_delta_step	IntegerParameterRanges	[0, 10]
max_depth	IntegerParameterRanges	[0, 10]
min_child_weight	ContinuousParameterRanges	MinValue: 0, MaxValue
num_round	IntegerParameterRanges	[1, 4000]
subsample	ContinuousParameterRanges	MinValue MaxValue：半點