在模型筛选中，Boosted Tree 被评为表现最佳的模型，因此我选择了它或者说回归问题。
请问如何利用tuning table设计进一步优化boosted tree的性能？
你好@AlphaPanda86751 ,
如果您想微调所选算法的超参数以提高预测性能，调优表可能确实有用。
请问您是否已经有验证策略，以防止过度拟合：k-folds 交叉验证、验证列、其他...？ 与其他基于树的方法（如引导森林）相比，提升树可能更容易过度拟合，因此最好在尝试优化性能之前固定并设置验证策略。
为了使用调整表设计，您可以手动生成一个表，通过在列中设置超参数因子（层数、每棵树的分割数、学习率、最小分割大小……）来测试所有组合（“网格-搜索方法”），或者您也可以使用“自定义设计”平台生成调整表设计，方法是指定您想要调查/微调的不同超参数因素、每个值的范围以及模型/复杂性您想在此超参数空间中研究的不同组合/交互。 您可以在此处找到更多信息（信息来自 Bootstrap Forest 平台，但 Boosted Tree 的技术非常相似）：启动 Bootstrap Forest 平台 (jmp.com)
您可以在附件中找到从定制设计平台生成的调整表示例。
然后您可以使用您之前设置的验证策略启动您的 Boosted Tree 平台，并让 JMP 使用 Tuning 表来测试不同的超参数值。
下面是钻石数据集上带有“正常”（未微调）提升树的分层验证列的结果示例：
这是使用调整表的结果：
JMP 中的“默认”设置与 Boosted Tree 的微调版本之间没有大的变化，但尝试微调以评估性能变化可能会有所帮助且有趣。 如果您使用了验证公式列，您还可以评估超参数微调的“稳健性”（右键单击 Rsquare、RASE 或其他评估指标，并使用“模拟”切换进出验证列，以及设置随机种子以获得可重现的比较结果）：
同样，这并没有太大区别，因为 JMP 中的默认设置很好而且非常稳健，但您可以自己尝试。
您将在附件中找到包含已完成模拟和图表脚本的数据表，您可以在示例索引中找到钻石数据的数据表，也可以在此处附加（以便获得验证列并重现此处介绍的步骤）。
我希望这能帮到您，
