JMP에서 챌린지 부트 스트랩 포레스트안녕하세요,
내 고객은 JMP에서 Bootstrap Forest가 어려운 알고리즘 설정을 변경하는 데 어려움을 겪고 있습니다. 그는 그것을 H2O와 비교합니다 ( http://docs.h2o.ai/h2o/latest-stable/h2o-docs/data-science/drf.html ). 첨부 된 문서에서 나는 JMP의 설정과 일치하도록 노력했습니다 (회색으로, 노란색은 물에만 있음).
JMP에서 변경할 수없는 몇 가지 설정이 있습니다 (예 : 구현되지 않은 것 같습니다).
- offset_column (오프셋은 모델 훈련 중에 사용되는 행당 "바이어스 값"입니다)
- balance_classes (클래스 분포를 균형 잡기 위해 소수 클래스를 오버 샘플링)
- nbins (빌드 할 히스토그램의 빈 수를 지정한 다음 가장 좋은 지점으로 분할)
- stopping_metric (R2 및 RMSE 이상 : 조기 중지에 사용할 메트릭 지정
- 체크 포인트 (이전에 생성 된 모델의 연속으로 새 모델을 작성하려면이 옵션을 사용하십시오)
- col_sample_rate_per_tree / level (트리 또는 레벨 당 열 샘플 속도 지정)
- min_split_improvement (이 옵션의 값은 스플릿이 발생하기 위해 제곱 된 오류 감소의 최소 상대 개선을 지정합니다.> 과핑을 줄일 수 있습니다)
- 그리고 좀 더
결과 모델이 심각한 수준으로 향상 될 것이라는 점을 의심스러워 할 때 이러한 옵션을 사용하여 기대하는 바를 물어 봤습니다. 그는 그것이 더 현저하다고 말한다. 그런 다음 H2O 사이트를 확인하고 이것이 매우 특별한 문제로 인한 것임을 추측하고 모든 튜닝 옵션을 사용하여 더 나은 결과를 얻으실 수 있습니다.
다른 고객이 거기에서 임의의 숲 모델에 대한 다른 (더 나은 도구) 있다고 말한 적이 있습니까?
그리고 Chris 또는 다른 개발자 : 하나 또는 다른 설정을 추가하는 것이 좋은 옵션이라고 생각하십니까?
감사,
남자 이름
제목 : Re : JMP에서 도전적인 부트 스트랩 포레스트남자 이름,
이 H2O pacakge는 새로운 것이지만, 파이썬과 ipython 노트북에서도 사용할 수있는 것 같습니다.
git hub의이 링크는 설정을 한 번 사용하는 것이 상대적으로 쉬운 것처럼 보입니다.
https : / / g2 / 시간이 있다면, 내가 그걸로 도망 갈 수 있는지 알고 싶습니다. XGBoost보다 사용하기가 약간 쉬울 수도 있습니다. 둘 다 튜닝을위한 그리드 검색 옵션을 가지고 있습니다.
"H2O는 개방형 소스, 메모리, 분산 형, 신속하고 확장 가능한 기계 학습 및 예측 분석 플랫폼으로, 대규모 데이터에 대한 기계 학습 모델을 구축하고 엔터프라이즈 환경에서 해당 모델을 쉽게 생산할 수있게합니다." 주요 웹 페이지에 설명 된 내용은 SAS Viya를 설명하는 데 사용 된 언어와 매우 유사합니다. 고객이 이걸 원한다면 아마 JMP를 능가했을 것입니까?
제목 : Re : JMP에서 도전적인 부트 스트랩 포레스트멈춤 메트릭을 변경하는 기능은 내 패치에서 몇 고객이 요청한 것입니다. 균형 등급은 역 비례 가중치가 될 수 있지만 자동화 된 경우 좋을 것입니다. 이것에 머리를 주셔서 감사합니다.제목 : Re : JMP에서 도전적인 부트 스트랩 포레스트개발 팀이 볼 수 있도록 jmpbeta@jmp.com 전자 메일 주소에 입력하십시오. 나는 이것이 랜덤 포레스트 (Random Forest)의 전문화 된 하위 집합 일 수도 있음을 지적하고자한다. 저작권 문제를 피하기 위해 "분산 된"비트를 붙이면 될 수 있지만, 이는 다른 무언가를 나타낼 수도 있습니다. 나는 Gradient Boosted Tree의 특별한 맛 인 "Conditional Tree"라는 또 다른 프로그램을 실행했습니다 ...
FWIW, 제가 이야기하는 대부분의 데이터 과학 친구들은 우리가 가지고있는 것에 만족합니다. 위에서 언급 한 옵션 중 일부는 가중치 및 다른 유효성 검사 전략으로 처리 할 수있는 것처럼 들릴 수 있습니다.
엠제목 : Re : JMP에서 도전적인 부트 스트랩 포레스트이것에 대한 한 가지 더 코멘트 : 나는 더 많은 레이어, 더 많은 교육 및 활성화 알고리즘을 설정할 수있는 신경망을위한 더 많은 튜닝 옵션을 더 자주 들었다.
그러나 랜덤 포레스트 (Random Forest)에 대해서는 새로운 것이 었습니다. 그래서 다른 사람들이 비슷한 이야기를 들었다면 나는 호기심이 생겼다.
