在模型篩選中，Boosted Tree 被評為表現最佳的模型，因此我選擇了它或說迴歸問題。
請問如何利用tuning table設計進一步優化boosted tree的效能？
你好@AlphaPanda86751 ,
如果您想微調所選算法的超參數以提高預測性能，調優表可能確實有用。
請問您是否已經有驗證策略，以防止過度擬合：k-folds 交叉驗證、驗證列、其他...？ 與其他基於樹的方法（如引導森林）相比，提升樹可能更容易過度擬合，因此最好在嘗試優化性能之前固定並設置驗證策略。
為了使用調整表設計，您可以手動生成一個表，通過在列中設置超參數因子（層數、每棵樹的分割數、學習率、最小分割大小……）來測試所有組合（“網格-搜索方法”），或者您也可以使用“自定義設計”平台生成調整表設計，方法是指定您想要調查/微調的不同超參數因素、每個值的範圍以及模型/複雜性您想在此超參數空間中研究的不同組合/交互。 您可以在此處找到更多信息（信息來自 Bootstrap Forest 平台，但 Boosted Tree 的技術非常相似）：啟動 Bootstrap Forest 平台 (jmp.com)
您可以在附件中找到從定制設計平台生成的調整表示例。
然後您可以使用您之前設置的驗證策略啟動您的 Boosted Tree 平台，並讓 JMP 使用 Tuning 表來測試不同的超參數值。
下面是鑽石數據集上帶有“正常”（未微調）提升樹的分層驗證列的結果示例：
這是使用調整表的結果：
JMP 中的“默認”設置與 Boosted Tree 的微調版本之間沒有大的變化，但嘗試微調以評估性能變化可能會有所幫助且有趣。 如果您使用了驗證公式列，您還可以評估超參數微調的“穩健性”（右鍵單擊 Rsquare、RASE 或其他評估指標，並使用“模擬”切換進出驗證列，以及設置隨機種子以獲得可重現的比較結果）：
同樣，這並沒有太大區別，因為 JMP 中的默認設置很好而且非常穩健，但您可以自己嘗試。
您將在附件中找到包含已完成模擬和圖表腳本的數據表，您可以在示例索引中找到鑽石數據的數據表，也可以在此處附加（以便獲得驗證列並重現此處介紹的步驟）。
我希望這能幫到您，
