本文详细介绍了大规模运行梯度提升预测的成本，强调模型中的树的数量是计算成本的主要驱动因素，而不是特征的数量。作者提供了一个成本模型，显示使用800棵树对5000万行数据进行评分，每晚约花费0.13美元，或每年49美元，假设了特定的计算价格和吞吐量。调整学习率等超参数会显著增加树的数量，从而增加成本，即使准确性提升很小。 AI
影响 为优化梯度提升模型的推理提供了成本模型，突出了AI运营商的关键成本驱动因素。
排序理由 文章提供了针对特定机器学习技术的分析和成本建模，而不是宣布新版本或事件。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
<p>Scoring a boosted tree ensemble is cheap per row and expensive in aggregate, and almost nobody knows which of their parameters is driving the bill. It is the tree count. Here is the arithmetic that shows why, with every input stated so you can substitute your own.</p> <p>Every…