Powinieneś odkryć, że są one związane z określeniem najlepszej wartości liczby funkcji bazowych - tj. Iteracji - tj. Liczby drzew w modelu addytywnym. Nie mogę znaleźć dokumentacji opisującej dokładnie to, co to jest, ale oto moje najlepsze przypuszczenie i być może ktoś inny może to skomentować.
Z instrukcji należy wziąć następujące elementy:
library(gbm)
# A least squares regression example
# create some data
N <- 1000
X1 <- runif(N)
X2 <- 2*runif(N)
X3 <- ordered(sample(letters[1:4],N,replace=TRUE),levels=letters[4:1])
X4 <- factor(sample(letters[1:6],N,replace=TRUE))
X5 <- factor(sample(letters[1:3],N,replace=TRUE))
X6 <- 3*runif(N)
mu <- c(-1,0,1,2)[as.numeric(X3)]
SNR <- 10 # signal-to-noise ratio
Y <- X1**1.5 + 2 * (X2**.5) + mu
sigma <- sqrt(var(Y)/SNR)
Y <- Y + rnorm(N,0,sigma)
# introduce some missing values
X1[sample(1:N,size=500)] <- NA
X4[sample(1:N,size=300)] <- NA
data <- data.frame(Y=Y,X1=X1,X2=X2,X3=X3,X4=X4,X5=X5,X6=X6)
# fit initial model
gbm1 <- gbm(Y~X1+X2+X3+X4+X5+X6, # formula
data=data, # dataset
var.monotone=c(0,0,0,0,0,0), # -1: monotone decrease,
# +1: monotone increase,
# 0: no monotone restrictions
distribution="gaussian", # bernoulli, adaboost, gaussian,
# poisson, coxph, and quantile available
n.trees=3000, # number of trees
shrinkage=0.005, # shrinkage or learning rate,
# 0.001 to 0.1 usually work
interaction.depth=3, # 1: additive model, 2: two-way interactions, etc.
bag.fraction = 0.5, # subsampling fraction, 0.5 is probably best
train.fraction = 0.5, # fraction of data for training,
# first train.fraction*N used for training
n.minobsinnode = 10, # minimum total weight needed in each node
cv.folds = 5, # do 5-fold cross-validation
keep.data=TRUE, # keep a copy of the dataset with the object
verbose=TRUE) # print out progress
Liczba iteracji ( Iter) wynosi 3000, czyli liczba drzew wybranych do budowy (od 1 do 3000, chociaż nie pokazano każdego z nich). Nawiasem mówiąc, cały proces powtarza się 5 razy, ponieważ wybraliśmy cv.folds = 5.
StepSize to wybrana skurcz lub szybkość uczenia się (tutaj 0,005).
Uważam, że Improvejest to redukcja dewiacji (funkcja straty) przez dodanie innego drzewa i jest obliczana przy użyciu rekordów „out-of-bag” (OOB) (uwaga: nie zostanie obliczona, jeśli frakcja bag.fr nie jest <1).
Następnie dla każdej iteracji TrainDeviance ValidDeviancejest to wartość funkcji utraty danych treningowych i danych wstrzymania (zestaw pojedynczego wstrzymania). ValidDeviance nie zostanie obliczony, jeśli train.fractionnie jest <1.
Czy widziałeś to, które opisuje 3 rodzaje metod określania optymalnej liczby drzew?
