XGBoost
Ein XGBoost Modell kann sowohl zur Klassifikation als auch zur Regression eingesetzt werden.
Der XGBoost hat Vorteile bei der Generalisierung des Modells im Vergleich zum Gradient Boosting. Der Trainingsdatensatz sollte groß sein – deutlich mehr Samples im Vergleich zur Anzahl der genutzten Feature.
Unterstützte Eigenschaften
ONNX-Support
- TreeEnsambleClassifier
- TreeEnsambleRegressor
Beispiele für den Export von XGBoost Modellen finden Sie hier: ONNX-Export von XGBoost
 | Einschränkung bei Klassifikation Bei Klassifikationsmodellen wird nur der Ausgang der Labels in der SPS abgebildet. Die Scores/Probabilities sind in der SPS nicht verfügbar. |
Unterstützte Datentypen
Es ist zu unterscheiden zwischen „supported datatype“ und „preferred datatype“. Der preferred datatype entspricht der Präzision der Ausführungs-Engine.
Der preferred datatype ist floating point 64 (E_MLLDT_FP64-LREAL).
Bei Verwendung eines supported datatype wird eine effiziente Typ-Konvertierung automatisch in der Bibliothek durchgeführt. Durch die Typ-Konvertierung kann es zu minimalen Performance-Einbußen kommen.
Eine Liste der supported datatypes finden Sie unter ETcMllDataType.