R parsnip boost_tree 增强树

boost_tree() 定义了一个模型，该模型创建一系列形成整体的决策树。每棵树都取决于之前树的结果。集合中的所有树被组合起来以产生最终的预测。该函数可以拟合分类、回归和审查回归模型。

拟合该模型的方法有多种，通过设置模型引擎来选择估计方法。下面列出了该模型的引擎特定页面。

• xgboost¹

• C5.0

• h2o²

• lightgbm²

• mboost²

• spark

有关如何操作的更多信息防风草用于建模的是https://www.tidymodels.org/.

用法

boost_tree(
  mode = "unknown",
  engine = "xgboost",
  mtry = NULL,
  trees = NULL,
  min_n = NULL,
  tree_depth = NULL,
  learn_rate = NULL,
  loss_reduction = NULL,
  sample_size = NULL,
  stop_iter = NULL
)

参数

mode

预测结果模式的单个字符串。此模型的可能值为"unknown"、"regression" 或"classification"。

engine

指定用于拟合的计算引擎的单个字符串。

mtry

创建树模型时将在每次分割时随机采样的预测变量的数量(或比例)的数字(仅限特定引擎)

trees

集合中包含的树数的整数。

min_n

节点中进一步拆分节点所需的最小数据点数量的整数。

tree_depth

树的最大深度的整数(即分割数)(仅限特定引擎)。

learn_rate

提升算法从迭代到迭代的适应速率的数字(仅限特定引擎)。这有时称为收缩参数。

loss_reduction

进一步分割所需的损失函数减少的数字(仅限特定引擎)。

sample_size

一个数字，表示暴露给拟合例程的数据数量(或比例)。对于 xgboost ，在每次迭代时进行采样，而 C5.0 在训练期间采样一次。

stop_iter

停止前没有改进的迭代次数(仅限特定引擎)。

细节

此函数仅定义正在拟合的模型类型。一旦指定了引擎，也就定义了拟合模型的方法。有关设置引擎的更多信息，包括如何设置引擎参数，请参阅set_engine()。

在 fit() 函数与数据一起使用之前，模型不会经过训练或拟合。

此函数中除 mode 和 engine 之外的每个参数都被捕获为 quosures 。要以编程方式传递值，请使用injection operator，如下所示：

value <- 1
boost_tree(argument = !!value)

参考

https://www.tidymodels.org, Tidy Modeling with R, searchable table of parsnip models

也可以看看

例子

show_engines("boost_tree")
#> # A tibble: 5 × 2
#>   engine  mode          
#>   <chr>   <chr>         
#> 1 xgboost classification
#> 2 xgboost regression    
#> 3 C5.0    classification
#> 4 spark   classification
#> 5 spark   regression    

boost_tree(mode = "classification", trees = 20)
#> Boosted Tree Model Specification (classification)
#> 
#> Main Arguments:
#>   trees = 20
#> 
#> Computational engine: xgboost 
#>