Im XGBoost-Add-In ( https://community.jmp.com/t5/JMP-Add-Ins/XGBoost-Add-In-for-JMP-Pro/ta-p/319383), Es gibt eine sehr nette Option, bei der mithilfe von DoE eine Hyperparametersuche gestartet werden kann, um die beste Kombination von Hyperparametern zu identifizieren, um eine bestimmte Zielfunktion zu maximieren.
Diese Option ist äußerst hilfreich und ein Standardansatz beim Trainieren von Modellen in R oder Python.
Ich denke, es wäre enorm wertvoll, die gleiche Option für andere Vorhersagemodellierungsplattformen wie Neural, Boosted Tree, Boostrap Forest und Support Vector Machine zu implementieren. In jedem Fall könnte eine experimentelle Matrix eingerichtet werden, um die Suchbereiche für die ausgewählten Hyperparameter zu definieren.
Das XGBoost-Add-In bewerkstelligt dies sehr gut, also habt ihr die Mechanik bereits herausgefunden, es ist ein guter Zeitpunkt, es für andere Modelle verfügbar zu machen!
