Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Hiperparámetros de XGBoost
La siguiente tabla contiene el subconjunto de hiperparámetros que se requieren o se utilizan con más frecuencia para el algoritmo XGBoost de Amazon SageMaker AI. Estos son los parámetros que establecen los usuarios para facilitar la estimación de los parámetros del modelo a partir de los datos. Los hiperparámetros necesarios que deben establecerse se enumerarán en primer lugar, en orden alfabético. Los hiperparámetros opcionales que se pueden establecer aparecen a continuación en la lista, también en orden alfabético. El algoritmo SageMaker AI XGBoost es una implementación del paquete DMLC XGBoost de código abierto. Para obtener más información sobre el conjunto completo de hiperparámetros que se pueden configurar para esta versión de XGBoost, consulte [Parámetros de XGBoost](https://xgboost.readthedocs.io/en/release_1.2.0/).
| Nombre del parámetro | Description (Descripción) |
| --- | --- |
| num\_class | Número de clases.
Es **obligatorio** si `objective` se establece en *multi:softmax* o *multi:softprob*.
Valores válidos: número entero. |
| num\_round | El número de rondas para ejecutar la capacitación.
**Obligatorio**
Valores válidos: número entero. |
| alpha | El plazo de regularización de L1 sobre ponderaciones. Si aumenta este valor, hace que los modelos sean más conservadores.
**Opcional**
Valores válidos: número flotante.
Valor predeterminado: 0 |
| base\_score | La puntuación de la predicción inicial de todas las instancias (sesgo global).
**Opcional**
Valores válidos: número flotante.
Valor predeterminado: 0,5 |
| booster | Qué potenciador utilizar. Los valores `gbtree` y `dart` usan un modelo basado en árbol, mientras que `gblinear` usa una función lineal.
**Opcional**
Valores válidos: Cadena. Uno de los valores de entre `"gbtree"`, `"gblinear"` o `"dart"`.
Valor predeterminado: `"gbtree"` |
| colsample\_bylevel | La proporción de submuestra de columnas para cada división, en cada nivel.
**Opcional**
Valores válidos: número flotante. Rango: [0,1].
Valor predeterminado: 1 |
| colsample\_bynode | Proporción de la submuestra de columnas de cada nodo.
**Opcional**
Valores válidos: número flotante. Rango: (0,1].
Valor predeterminado: 1 |
| colsample\_bytree | Proporción de la submuestra de columnas cuando se construye cada árbol.
**Opcional**
Valores válidos: número flotante. Rango: [0,1].
Valor predeterminado: 1 |
| csv\_weights | Al habilitarse esta marca, XGBoost diferencia la importancia de las instancias para la entrada de CSV tomando la segunda columna (la columna tras las etiquetas) en los datos de capacitación como las ponderaciones de instancias.
**Opcional**
Valores válidos: 0 o 1
Valor predeterminado: 0 |
| deterministic\_histogram | Cuando este indicador está activado, XGBoost crea un histograma en la GPU de forma determinista. Se utiliza solo si `tree_method` se establece en `gpu_hist`.
Para obtener una lista completa de entradas válidas, consulte [Parámetros de XGBoost](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst).
**Opcional**
Valores válidos: Cadena. Rango: `"true"` o `"false"`
Valor predeterminado: `"true"` |
| early\_stopping\_rounds | El modelo realiza la capacitación hasta que la puntuación de validación para de mejorar. El error de validación debe disminuir al menos cada vez para continuar con el entrenamiento. `early_stopping_rounds` SageMaker El alojamiento de IA utiliza el mejor modelo de inferencia.
**Opcional**
Valores válidos: número entero.
Valor predeterminado: - |
| eta | Contracción del tamaño del paso utilizado en las actualizaciones para evitar el ajuste excesivo. Después de cada paso de potenciación, puede obtener directamente las ponderaciones de las nuevas características. El parámetro `eta` reduce realmente las ponderaciones de la característica para que el proceso de potenciación sea más conservador.
**Opcional**
Valores válidos: número flotante. Rango: [0,1].
Valor predeterminado: 0,3 |
| eval\_metric | Métricas de evaluación de los datos de validación. Una métrica predeterminada se asigna de acuerdo con el objetivo:[See the AWS documentation website for more details](http://docs.aws.amazon.com/es_es/sagemaker/latest/dg/xgboost_hyperparameters.html)
Para obtener una lista de entradas válidas, consulte [XGBoost Learning Task Parameters](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters).
**Opcional**
Valores válidos: Cadena.
Valor predeterminado: predeterminado según el objetivo. |
| gamma | La reducción de pérdida mínima necesaria para realizar una partición mayor en un nodo de hoja del árbol. Conforme mayor sea, más conservador será el algoritmo.
**Opcional**
Valores válidos: número flotante. Rango: [0,∞).
Valor predeterminado: 0 |
| grow\_policy | Controla la forma en la que se agregan los nuevos nodos al árbol. Es actualmente compatible solo si `tree_method` se establece en `hist`.
**Opcional**
Valores válidos: Cadena. `"depthwise"` o `"lossguide"`.
Valor predeterminado: `"depthwise"` |
| interaction\_constraints | Especifique los grupos de variables que pueden interactuar.
**Opcional**
Valores válidos: lista anidada de números enteros. Cada número entero representa una característica y cada lista anidada contiene características que pueden interactuar; por ejemplo, [[1,2], [3,4,5]].
Valor predeterminado: ninguno |
| lambda | El plazo de regularización de L2 sobre ponderaciones. Si aumenta este valor, hace que los modelos sean más conservadores.
**Opcional**
Valores válidos: número flotante.
Valor predeterminado: 1 |
| lambda\_bias | El plazo de regularización de L2 de sesgo.
**Opcional**
Valores válidos: número flotante. Rango: [0.0, 1.0].
Valor predeterminado: 0 |
| max\_bin | Número máximo de contenedores discretos en las características continuas del bucket. Se utiliza solo si `tree_method` se establece en `hist`.
**Opcional**
Valores válidos: número entero.
Valor predeterminado: 256 |
| max\_delta\_step | El paso delta máximo permitido para la estimación de ponderación de cada árbol. Cuando se utiliza un número entero positivo, ayuda a hacer la actualización más conservadora. La opción preferida es usarla en la regresión logística. Establézcala en 1-10 para ayudar a controlar la actualización.
**Opcional**
Valores válidos: número entero. Rango: [0,∞).
Valor predeterminado: 0 |
| max\_depth | Profundidad máxima de un árbol. El aumento de este valor hace que el modelo sea más complejo y que se sobreajuste con más probabilidad. 0 indica que no hay límite. Se requiere un límite cuando `grow_policy`=`depth-wise`.
**Opcional**
Valores válidos: número entero. Rango: [0,∞)
Valor predeterminado: 6 |
| max\_leaves | Número máximo de nodos que se va agregar. Solo relevante si `grow_policy` se establece en `lossguide`.
**Opcional**
Valores válidos: número entero.
Valor predeterminado: 0 |
| min\_child\_weight | Suma mínima de la ponderación de instancias (hessiana) necesaria en un elemento secundario. Si el paso de partición del árbol genera un nodo de hoja con la suma de la ponderación de instancia inferior a `min_child_weight`, el proceso de creación deja de realizar la partición. En los modelos de regresión lineal, esto simplemente se corresponde con un número mínimo de instancias necesarias en cada nodo. Conforme mayor sea el algoritmo, más conservador será.
**Opcional**
Valores válidos: número flotante. Rango: [0,∞).
Valor predeterminado: 1 |
| monotone\_constraints | Especifica las restricciones de monotonía de cualquier característica.
**Opcional**
Valores válidos: tupla de números enteros. Enteros válidos: -1 (restricción decreciente), 0 (sin restricción), 1 (restricción creciente).
E.g., (0, 1): No hay restricción en el primer predictor y hay una restricción creciente en el segundo. (-1, 1): hay restricción decreciente en el primer predictor y hay una restricción creciente en el segundo.
Valor predeterminado: (0, 0) |
| normalize\_type | Tipo de algoritmo de normalización.
**Opcional**
Valores válidos: *árbol* o *bosque*.
Valor predeterminado: *árbol* |
| nthread | Número de subprocesos paralelos utilizados para ejecutar *xgboost*.
**Opcional**
Valores válidos: número entero.
Valor predeterminado: número máximo de subprocesos. |
| objective | Especifica la tarea de aprendizaje y el objetivo de aprendizaje correspondiente. Ejemplos: `reg:logistic`, `multi:softmax`, `reg:squarederror`. Para obtener una lista completa de entradas válidas, consulte [XGBoost Learning Task Parameters](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst#learning-task-parameters).
**Opcional**
Valores válidos: string
Valor predeterminado: `"reg:squarederror"` |
| one\_drop | Cuando esta marca esté habilitada, al menos se rechazará siempre un árbol durante el abandono.
**Opcional**
Valores válidos: 0 o 1
Valor predeterminado: 0 |
| process\_type | El tipo de proceso de potenciación que ejecutar.
**Opcional**
Valores válidos: Cadena. `"default"` o `"update"`.
Valor predeterminado: `"default"` |
| rate\_drop | La tasa de abandono que especifica la fracción de los árboles anteriores rechazados durante el abandono.
**Opcional**
Valores válidos: número flotante. Rango: [0.0, 1.0].
Valor predeterminado: 0,0 |
| refresh\_leaf | Se trata de un parámetro del complemento del actualizador 'actualizar'. Cuando se establece en `true` (1), se actualizan los estados del nodo de árbol y las hojas de árbol. Cuando se establece en `false`(0), solo se actualizan los estados de nodo de árbol.
**Opcional**
Valores válidos: 0/1
Valor predeterminado: 1 |
| sample\_type | Tipo de algoritmo de muestra.
**Opcional**
Valores válidos: `uniform` o `weighted`
Valor predeterminado: `uniform` |
| scale\_pos\_weight | Controla el equilibrio de las ponderaciones positivas y negativas. Resulta útil para las clases sin equilibrar. Un valor típico que tener en cuenta: `sum(negative cases)` / `sum(positive cases)`.
**Opcional**
Valores válidos: número flotante
Valor predeterminado: 1 |
| seed | Semilla de número aleatorio.
**Opcional**
Valores válidos: número entero
Valor predeterminado: 0 |
| single\_precision\_histogram | Cuando este indicador está activado, XGBoost utiliza una precisión simple para crear histogramas, en lugar de una precisión doble. Solo se utiliza si `tree_method` se establece en `hist` o `gpu_hist`.
Para obtener una lista completa de entradas válidas, consulte [Parámetros de XGBoost](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst).
**Opcional**
Valores válidos: Cadena. Rango: `"true"` o `"false"`
Valor predeterminado: `"false"` |
| sketch\_eps | Se utiliza solo para el algoritmo voraz aproximado. Traduce el número de contenedores O(1 / `sketch_eps`). En comparación con el número seleccionado directamente de contenedores, incluye la garantía teórica con la precisión del boceto.
**Opcional**
Valores válidos: número flotante, Rango: [0, 1].
Valor predeterminado: 0.03 |
| skip\_drop | Probabilidad de omisión del procedimiento de abandono durante una iteración de potenciación.
**Opcional**
Valores válidos: número flotante. Rango: [0.0, 1.0].
Valor predeterminado: 0,0 |
| subsample | La proporción de la submuestra de la instancia de capacitación. Si se establece en 0,5, significa que XGBoost recopila de forma aleatoria la mitad de las instancias de datos para que los árboles crezcan. Esto evita el sobreajuste.
**Opcional**
Valores válidos: número flotante. Rango: [0,1].
Valor predeterminado: 1 |
| tree\_method | El algoritmo de la construcción del árbol se utiliza en XGBoost.
**Opcional**
Valores válidos: uno de `auto`, `exact`, `approx`, `hist` o `gpu_hist`.
Valor predeterminado: `auto` |
| tweedie\_variance\_power | Parámetro que controla la varianza de la distribución de Tweedie.
**Opcional**
Valores válidos: número flotante. Rango: (1, 2).
Valor predeterminado: 1.5 |
| updater | Una cadena separada por comas que define la secuencia de los actualizadores de árbol que ejecutar. Esto proporciona una forma modular de construir y modificar los árboles.
Para obtener una lista completa de entradas válidas, consulte [Parámetros de XGBoost](https://github.com/dmlc/xgboost/blob/master/doc/parameter.rst).
**Opcional**
Valores válidos: cadena separada por comas
Valor predeterminado: `grow_colmaker`, omisión |
| use\_dask\_gpu\_training | Configure `use_dask_gpu_training` en `"true"` si desea realizar un entrenamiento con GPU distribuido con Dask. El entrenamiento con GPU de Dask solo es compatible con las versiones 1.5-1 y posteriores. No establezca este valor en `"true"` para las versiones anteriores a 1.5-1. Para obtener más información, consulte [Entrenamiento distribuido con GPU](xgboost.md#Instance-XGBoost-distributed-training-gpu).
**Opcional**
Valores válidos: Cadena. Rango: `"true"` o `"false"`
Valor predeterminado: `"false"` |
| verbosity | Verbosidad de la impresión de los mensajes.
Valores válidos: 0 (silencio), 1 (advertencia), 2 (información), 3 (depuración).
**Opcional**
Valor predeterminado: 1 |