Oui, c est l une des fonctionnalités avancées de cette action. Grâce au Transfer Learning (apprentissage par transfert), vous pouvez utiliser le paramètre auxData pour identifier des observations provenant d une source secondaire. Cela est particulièrement utile lorsque vos données cibles sont peu nombreuses. Les paramètres tels que transLearnShrink et transLearnBurn permettent de contrôler finement comment le modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting). doit apprendre de ces données auxiliaires sans compromettre la précision sur le jeu de données principal.
Peut-on transférer la connaissance de données auxiliaires vers un modèle cible ?
Exemples pour l'action gbtreeTrain
Entraînement de base
Un exemple minimal pour lancer votre premier boosting sur la variable 'BAD'.
Boosting optimisé avec régularisation et importance des variables
Ici, on passe aux choses sérieuses : 100 arbres, un taux d'apprentissage de 0.05, de la régularisation Ridge et le calcul de l'importance des variables.
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Pourquoi le paramètre earlyStop est-il indispensable pour vos modèles en production ?
Quel est l intérêt d utiliser le subSampleRate dans vos calculs distribués ?
Comment l action gbtreeTrain révolutionne-t-elle la précision de vos modèles prédictifs ?
Comment gérer des données d assurance ou de sinistralité avec la distribution Tweedie ?
Comment exporter vos modèles vers des systèmes de scoring en temps réel ?