梯度提升(Gradient Boosting)

在决策树上使用梯度提升进行预测。

输入

梯度提升是用于回归和分类问题的机器学习技术，它集成一组弱预测模型（通常为决策树）生成预测模型。

除了 Gradient Boosting (scikit-learn), 其他所有算法需要自己手动安装

指定模型名称。默认名称是“梯度提升(Gradient Boosting)”。
选择一种梯度提升算法：
基本属性：
- 树数量：指定将包含多少棵梯度增强树。通常，数量多会导致更好的性能。
- 学习率：指定提升的学习率。学习率缩小每棵树的贡献。
- 可重复训练：固定随机种子，从而使结果可复制。
- 正则化：指定 L2 正则化项。仅适用于 xgboost 和 catboost 方法。
生长控制：
- 限制单个树深度：指定单个树的最大深度。
- 不要分割小于...的子集：指定可以分割的最小子集。仅适用于 scikit-learn 方法。
下采样：
- 训练实例的比例：指定拟合单个树的训练实例的百分比。适用于 scikit-learn 和 xgboost 方法。
- 每棵树的特征比例：指定构造每棵树时使用的特征百分比。适用于 xgboost 和 catboost 方法。
- 每层的功能比例：指定每层使用的特征百分比。仅适用于 xgboost 方法。
- 每个分割的特征比例：指定每个分割使用的特征百分比。仅适用于 xgboost 方法。
发送报告
勾选 “自动应用” 以自动传送对其他小部件的更改，并在连接学习数据后立即训练分类器。或者，在配置后按 “应用”。