En el complemento XGBoost ( https://community.jmp.com/t5/JMP-Add-Ins/XGBoost-Add-In-for-JMP-Pro/ta-p/319383), hay una opción muy buena en la que, al usar DoE, se puede iniciar una búsqueda de hiperparámetros para identificar la mejor combinación de hiperparámetros para maximizar una función objetivo determinada.
Esta opción es extremadamente útil y es un enfoque estándar cuando se entrenan modelos en R o Python.
Creo que sería de gran valor implementar la misma opción para otras plataformas de modelado predictivo, como Neural, Boosted Tree, Boostrap Forest y Support Vector Machine. En cada caso, se podría configurar una matriz experimental para definir los rangos de búsqueda de los hiperparámetros seleccionados.
El complemento XGBoost logra esto muy bien, por lo que ya descubrieron la mecánica, ¡es un buen momento para que esté disponible para otros modelos!
