这篇内容详细介绍了机器学习中各种任务的目标参数，包括回归、分类和排名任务的损失函数和评估指标。从平方损失到对数似然，从二元分类的logistic回归到列表式排名的NDCG优化，涵盖了多项常用的学习目标及其适用场景。
指定学习任务和相应的学习目标。目标选项如下：
1、objective [default=reg:squarederror]
reg:squarederror: 具有平方损失的回归。
reg:squaredlogerror:平方对数损回归
所有输入标签都要求大于-1。此外，有关此目标可能出现的问题，请参阅度量rmsle。
reg:logistic: logistic regression
reg:pseudohubererror: 带有伪Huber损失的回归，是绝对损失的两次可微替代。
binary:logistic:二元分类的logistic回归，输出概率
binary:logitraw: 二元分类的logistic回归，输出logistic变换前的分数
binary:hinge:二元分类的铰链损失(hinge loss)。这使得预测为0或1，而不是产生概率。
count:poisson :–计数数据的泊松回归，输出泊松分布的平均值
在泊松回归中max_delta_step默认设置为0.7（用于保护优化）
survival:cox: 右删失生存时间数据的Cox回归（负值视为右删失）。请注意，在风险比标度上返回预测（即比例风险函数h（t）=h0（t）*HR中的HR=exp（边际_预测）。
survival:aft: 截尾生存时间数据的加速失效时间模型。详见加速失效时间生存分析。
aft_loss_distribution: survival:aft objective 和 aft-nloglik metric使用的概率密度函数
multi:softmax:设置XGBoost使用softmax对目标进行多类分类，还需要设置num_class（类数）
multi:softprob: 与
最低0.47元/天 解锁文章
1039
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
