快速樹系分量迴歸

本文說明 Azure 機器學習 設計工具中的模組。

使用此元件在管線中建立快速樹系分位數回歸模型。 如果您想要深入了解預測值的分佈，而不是取得單一平均預測值，快速樹系分位數回歸很有用。 此方法有許多應用程式，包括：

• 預測價格

• 評估學生績效或套用成長圖表來評估兒童發展

• 在變數之間只有弱式關聯性的情況下，探索預測關聯性

此回歸演算法是 受監督的 學習方法，這表示它需要包含標籤數據行的標記數據集。 因為它是回歸演算法，標籤數據行必須只包含數值。

進一步瞭解分位數回歸

有許多不同類型的回歸。 簡單地說，回歸表示將模型與以數值向量表示的目標相配。 不過，統計人員一直在開發越來越先進的回歸方法。

分位數的最簡單定義是一個值，可將一組數據分割成大小相等的群組;因此，分位數值會標示群組之間的界限。 從統計上講，分位數是從隨機變數累加分配函式 （CDF） 的反轉間隔取得的值。

雖然線性回歸模型會嘗試使用單一估計值來預測數值變數的值， 但平均值有時您需要預測目標變數的範圍或整個分佈。 已為此開發貝氏回歸和分位數回歸等技術。

分位數回歸可協助您了解預測值的分佈。 樹狀分位數回歸模型，例如此元件中使用的分位數回歸模型，具有可用來預測非參數分佈的額外優點。

如何設定快速樹系分位數回歸

1. 將 快速樹系分位數回歸 元件新增至設計工具中的管線。 您可以在 [回歸] 類別的 [機器學習 演演算法] 下找到此元件。

2. 在 [快速樹系分位數回歸] 元件的右窗格中，藉由設定 [建立定型定型器模式] 選項，指定您要如何定型模型。

   • 單一參數：如果您知道如何設定模型，請提供一組特定的值作為自變數。 當您定型模型時，請使用 定型模型。

   • 參數範圍：如果您不確定最佳參數，請使用 微調模型超參數位 件執行參數掃掠。 定型器會逐一查看您指定的多個值，以尋找最佳設定。

3. 樹狀結構數目，輸入可在合奏中建立的樹狀結構數目上限。 如果您建立更多樹狀結構，通常會導致更高的精確度，但代價是較長的訓練時間。

4. 葉數，輸入可在任何樹狀結構中建立的葉數上限或終端節點數目。

5. 形成分葉所需的定型實例數目下限，指定樹狀結構中建立任何終端節點（分葉）所需的範例數目下限。

   藉由增加此值，您可以增加建立新規則的臨界值。 例如，預設值為 1，即使是單一案例，也會導致建立新的規則。 如果您將值增加到 5，定型數據必須包含至少 5 個符合相同條件的案例。

6. 標記分數，指定介於 0 到 1 之間的數位，代表建置每個分位數時要使用的樣本分數。 系統會隨機選擇樣本，並取代。

7. 分割分數，輸入介於0到1之間的數位，代表在樹狀結構的每個分割中使用的特徵分數。 所使用的功能一律會隨機選擇。

8. 要估計的 Quantiles，輸入要讓模型定型和建立預測的分號分隔清單。

   例如，如果您要建置估計四分位數的模型，您會輸入 0.25; 0.5; 0.75。

9. 或者，輸入隨機數種子的值，以植入模型所使用的隨機數產生器。 默認值為 0，表示已選擇隨機種子。

   如果您需要在相同數據上連續執行時重現結果，您應該提供值。

10. 將定型資料集和未定型的模型連接到其中一個定型元件：

    • 如果您將 [建立定型器模式] 設定為 [單一參數]，請使用 [定型模型] 元件。

    • 如果您將 [建立定型器模式] 設定為 [參數範圍]，請使用 [微調模型超參數] 元件。

    警告

    • 如果您將參數範圍傳遞至 定型模型，它只會使用參數範圍清單中的第一個值。

    • 如果您將單一參數值集合傳遞至 微調模型超參數位 件，當它預期每個參數的設定範圍時，它會忽略這些值，並使用學習者的預設值。

    • 如果您選取 [ 參數範圍 ] 選項，並針對任何參數輸入單一值，即使您的其他參數在值範圍中變更，您指定的單一值也會在整個掃掠中使用。

11. 提交管線。

結果

完成定型之後：

• 若要儲存已定型模型的快照集，請選取定型元件，然後在右側面板中切換至 [輸出+記錄 ] 索引標籤。 按兩下 [註冊數據集] 圖示。 您可以在元件樹狀結構中找到已儲存的模型作為元件。

評估計量

您可以使用 評估模型元件 來評估已定型的模型。 針對 快速樹系分位數回歸，計量如下。

• 分位數遺失：這是模型中特定分位數的錯誤量值。
• 平均分位數損失：這隻是模型中所有考慮之分位數損失值的平均值。 它提供模型在所有分位數上執行的整體量值。

下一步

請參閱 Azure 機器學習 可用的元件集。