Nel componente aggiuntivo XGBoost ( https://community.jmp.com/t5/JMP-Add-Ins/XGBoost-Add-In-for-JMP-Pro/ta-p/319383), c'è un'opzione molto interessante dove utilizzando DoE è possibile avviare una ricerca di iperparametri per identificare la migliore combinazione di iperparametri per massimizzare una determinata funzione obiettivo.
Questa opzione è estremamente utile ed è un approccio standard durante il training di modelli in R o Python.
Penso che sarebbe estremamente utile implementare la stessa opzione per altre piattaforme di modellazione predittiva, come Neural, Boosted Tree, Boostrap Forest e Support Vector Machine. In ciascun caso, potrebbe essere impostata una matrice sperimentale per definire gli intervalli di ricerca per gli iperparametri selezionati.
Il componente aggiuntivo XGBoost realizza tutto questo molto bene, quindi voi ragazzi avete già capito i meccanismi, è un buon momento per renderlo disponibile per altri modelli!
@dmmdiego Grazie per il tuo suggerimento! Abbiamo acquisito la tua richiesta e la prenderemo in considerazione.
