示例
使用“波士顿房价预测”案例数据,预测波士顿房价。
其中,相关性分析是为了分析特征变量与目标变量的相关性系数,方便特征选择进入模型训练。
线性回归的参数如下:
参数名称 | 值 | 说明 |
---|---|---|
归一化 | 正则化 | 详情请参考 归一化 介绍说明。 |
标准化 | ||
最小最大值归一化 | ||
最大绝对值归一化 | ||
自动调参设置 | 系统默认的各项参数值范围。 | 必须结合“启用自动调参”功能使用。系统将对设置指定或范围内的参数值循环调参,匹配出最优的组合。详情请参考 自动调参设置 。 启用自动调参: 勾选该项,则系统自动调参数,不需要用户手工设置参数。 |
最大迭代数 | 参数范围为:>=0的整数,默认值为10 | 算法的最大迭代次数,达到最大迭代次数即退出。 最大迭代次数的值越大,模型训练更充分,但会耗费更多时间。 |
混合参数 | 参数范围为:[0,1]的数,默认值为0 | 控制惩罚类型,平方误差损失函数中的 ρ,参数范围为:[0,1]的数。其中:0表示L2惩罚,1表示L1惩罚,0~1表示L1和L2惩罚的结合。 对模型系数惩罚(或称正则化)可减少模型过拟合。 |
正则参数 | 参数范围为:>=0的数,默认值为 :0。 | 正则项系数,损失函数中的 。 正则化可以解决模型训练中的过拟合现象; 正则项系数越大,模型越不会过拟合。 |
epsilon | 参数范围为:>1的数。默认值为1.35 | huber损失函数中的 δ ;调节损失函数,用于控制算法模型的健壮性; epsilon 越大,损失函数对异常点惩罚就越大,也就是对异常点越敏感; |
收敛阈值 | 参数范围为:>=0的数,默认值为 :0.000001。 | 收敛误差值。 收敛误差值,当损失函数取值优化到小于收敛阈值时停止迭代。 |
损失函数 | squaredError | 可待优化的损失函数,用于衡量模型的输出值和真实值之间的差距。 squaredError表示平方误差,huber表示平滑平均绝对误差。 |
huber |
自动调参设置
系统将对设置指定或范围内的参数值循环调参,匹配出最优的组合。
自动调参的方式分为两种:
- 指定值调参:指定一个固定的值进行自动调参。
- 范围调参:在指定的范围内进行自动调参。
设置项说明如下:
设置项 | 说明 | ||
---|---|---|---|
拆分比例 | 将选择的数据拆分为两部分,一部分部分用于模型的评估,另一部分数据用于训练模型。 | ||
评估标准 | 用于选择数据的评估指标,包括:mae、mse、rmse。 | ||
参数 | 自动调参的参数项。 | ||
指定值调参 | 指定值 | 指定一个固定的值进行自动调参。需要先勾选“是否使用指定值”才能配置。 | |
是否使用指定值 | 控制是否使用使用指定值进行调参。 | ||
范围调参 | 范围 | 设置自动调参参数的范围。 若运行速度比较慢,可将参数范围调小一点。 | |
步数 | 进行范围调参时,在设置的范围内生成多少个参数值。 示例: 1)范围为[3,5],步数为3时,生成的参数值:3, 4, 5 2)范围为[40,100],步数为4时,生成的参数值:40, 60, 80, 100 |