Значення термінів виводу в пакеті gbm?

Я використовую пакет gbm для класифікації. Як і очікувалося, результати хороші. Але я намагаюся зрозуміти вихід класифікатора. У виході є п'ять термінів.

`Iter   TrainDeviance   ValidDeviance   StepSize   Improve`

Хто-небудь може пояснити значення кожного терміна, особливо значення вдосконалення .

r machine-learning

— Йоан27
джерело

Ви повинні виявити, що вони пов'язані з визначенням найкращого значення для кількості базових функцій - тобто ітерацій - тобто кількості дерев у моделі добавки. Я не можу знайти документацію, яка точно описує, що це, але ось моя найкраща здогадка, і, можливо, хтось ще може прокоментувати це.

Візьміть наступне з посібника:

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

Кількість ітерацій (Iter ) - 3000, що становить кількість дерев, вибраних для побудови (від 1 до 3000, хоча показано не кожне). Повний процес повторюється до речі 5 разів, тому що ми вибрали cv.folds = 5.

StepSize вибрана швидкість усадки чи навчання (0,005 тут).

Я вірю, що Improve це зменшення відхилення (функція втрати) шляхом додавання іншого дерева і обчислюється за допомогою записів "out of-bag" (OOB) (зауважте, це не буде обчислено, якщо bag.fraction не <1).

Тоді для кожної ітерації TrainDeviance ValidDevianceзначення - це функція втрати на тренувальних даних і витримує дані (єдиний набір витримки). ValidDeviance не буде обчислено, якщо train.fractionне <1.

Ви бачили це, що описує 3 типи методів визначення оптимальної кількості дерев?

— B_Miner
джерело