Hinzufügen der XGBoost-, LightGBM- und CatBoost-Modellierung zum JMP-EntscheidungsbaummenüWie Sie wissen, verwenden viele Datenwissenschaftler XGBoost, LightGBM und CatBoost (Gradient Boosting Decision Tree), um ihre Probleme mithilfe von Python zu lösen.
Könnten Sie diese Modellierungen auch im Entscheidungsbaummenü (JMP) hinzufügen?
Wenn es von JMP Script Language (JSL) bereitgestellt werden kann, ist es auch großartig. Danke schön. : )
Referenz: https://papers.nips.cc/paper/6907-lightgbm-a-highly-efficient-gradient-boosting-decision-tree.pdf
Automatisierung und SkripterstellungBetreff: XGBoost-, LightGBM- und CatBoost-Modellierung im JMP-Menü „Entscheidungsbaum“ hinzugefügt – Status geändert in: BestätigtHallo @Steve_Kim , Danke für deinen Vorschlag! Wir haben Ihre Anfrage erfasst und werden sie prüfen.
Betreff: XGBoost-, LightGBM- und CatBoost-Modellierung zum JMP-Entscheidungsbaummenü hinzufügenVielen Dank für das tolle Update!:)
Ich habe das XGboost-Add-In getestet und es funktioniert gut~! (Beeindruckend für die Mehrwertfunktionalität!)
Wie Sie wissen, handelt es sich bei XGboost um ein stufenweises Baumwachstum und bei MS LightGBM um ein blattweises Baumwachstum.
Ich hoffe, dass JMP eines Tages eine Option für die blattweise Wachstumsmethode hinzufügen kann.
Betreff: XGBoost-, LightGBM- und CatBoost-Modellierung zum JMP-Entscheidungsbaummenü hinzufügenXGBoost kann jetzt in JMP verwendet werden, wenn Sie das XGBoost-Add-In von File Exchange herunterladen: Betreff: XGBoost Add-In für JMP Pro
Betreff: XGBoost-, LightGBM- und CatBoost-Modellierung zum JMP-Entscheidungsbaummenü hinzufügenBitte fügen Sie Extreme Gradient Boosting wie im obigen Kommentar erwähnt sowie Adaptive Boosting (AdaBoost) hinzu. Diese beiden Methoden sind im Vergleich zu den meisten anderen Techniken sehr viel genauer.
Betreff: Hinzufügen von XGBoost-, LightGBM- und CatBoost-Modellierung im JMP-Menü „Entscheidungsbaum“ – Status geändert auf: Ja, bleiben Sie dran!@Steve_Kim Dies wird als Add-on verfügbar sein.
