我最近使用 scikit-learn 通过以下方式运行梯度增强树回归器：
GradientBoostingRegressor()
该模型依赖于以下超参数：
- 估计器 ()
- 最小样本叶 ()
- 最大深度 () 这反过来又决定了该模型中可训练参数的数量。我的问题是，如何计算将最终模型确定为上述函数的参数数量（可训练或以其他方式随机分配）？
我的猜测是但这是正确的吗？
计算梯度提升树中可训练参数的数量
数据挖掘
决策树
xgboost
助推
装袋
2022-02-16 06:46:37
1个回答
也许这可能是您的网格大小，但不是scikit learn 的 Gradient Boosting Regressor 的可能可训练超参数的数量。
我添加了更多 GBDT Regressor 的超参数：
- loss{'ls', 'lad', 'huber', 'quantile'},
- 学习率
- 标准{'friedman_mse', 'mse', 'mae'}
- max_features{'auto', 'sqrt', 'log2'},
这只是需要的一些超参数，这是从文档 https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.GradientBoostingRegressor.html中提取的