一篇新发表在arXiv上的研究论文比较了几种流行的树模型超参数优化方法。研究发现，顺序模型优化配置（SMAC）方法显著优于随机网格搜索、贝叶斯优化和Hyperband等其他技术。研究还强调了使用大量试验进行准确调优的重要性，并指出默认超参数值通常会导致模型不准确。 AI
影响 这项研究为优化树模型提供了明确的建议，有望提高表格数据应用的性能和效率。
排序理由 比较机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2602.05786v2 Announce Type: replace-cross Abstract: Tree-boosting is a widely used machine learning technique for tabular data. However, its out-of-sample accuracy is critically dependent on multiple hyperparameters. In this article, we empirically compare several popular m…