Si ya vas a utilizar "gbm", por justamente mejorar la capacidad
predictiva, usaría el "gbm" de H2O o mejor "ligthgbm"...
El porqué...
https://github.com/szilard/GBM-perf
Saludos,
Carlos Ortega
www.qualityexcellence.es
El 21 de febrero de 2018, 10:49, Manuel Mendoza
Gracias, les echaré un ojo.
Quoting Carlos Ortega :
Hola,
Varias cosas:
- Puedes usar "gbm" y para los "partial plots" utilizar el paquete "pdp"
que considera varios tipos de modelos, entre ellos "gbm".
- También puedes usar "xgboost" que tiene una
Hola,
Varias cosas:
- Puedes usar "gbm" y para los "partial plots" utilizar el paquete "pdp"
que considera varios tipos de modelos, entre ellos "gbm".
- También puedes usar "xgboost" que tiene una función parecida a esta
que quieres usar "xgb.cv" justamente para encontrar el modelo
Hola de nuevo. Se me olvidaba la principal razón para utilizar
gbm.step del paquete dismo. Como sabéis, los boosted si sobreajustan
(a diferencia de los random forest o cualquier otro bootstrap) pero
gbm.step hace validación cruzada para determinar el nº óptimo de
árboles y evitarlo. Es
Bueno, primero te comento que si no le indico la family me hace
Bernuilli y da error por no ser binaria.
La razón de aplicar gbm.step del paquete dismo es que da una
información fundamental, como la interacción entre las variables o los
partial plots. La interacción te la representa en
Hola,
Sí, tienes razón...
¿No puedes usar la propia función "gbm" del paquete "gbm"?...
Gracias,
Carlos Ortega
www.qualityexcellence.es
El 19 de febrero de 2018, 18:01, Manuel Mendoza
escribió:
>
> Gracias Carlos. Hasta donde yo entiendo si las hay:
>
> El argumento
Hola,
No hay ninguna limitación en la ayuda de la función en este sentido.
Tan solo se indica que han de existir dos niveles en la variable
predictora, vaya que al menos sea binaria...
En la función en el parámetro "gbm.y" es donde indicas qué columna es la
predictora. No hay otro parámetro donde
Hola erreros, ¿sabéis si gbm.step puede usarse para clasificación no binaria?
Gracias
--
Dr Manuel Mendoza
Department of Biogeography and Global Change
National Museum of Natural History (MNCN)
Spanish Scientific Council (CSIC)
C/ Serrano 115bis, 28006 MADRID
Spain