Model XGBoost dobrze działa na danych testowych, ale nadmiernie dopasowuje się (overfits) i słabo działa na niewidzianych danych. Która zmiana hiperparametru jest zalecana w celu zmniejszenia nadmiernego dopasowania?

Zmniejszenie wartości parametru maxdepth jest zalecane, ponieważ ogranicza to złożoność pojedynczych drzew w modelu XGBoost. Płytsze drzewa są mniej skłonne do zapamiętywania szumu w danych treningowych, co skutecznie redukuje nadmierne dopasowanie i poprawia generalizację na niewidzianych danych. Zwiększenie maxdepth pogłębiłoby drzewa, zwiększając ryzyko nadmiernego dopasowania. Zmiana objective na binary:logistic jest typowa dla problemów klasyfikacji binarnej i nie wpływa bezpośrednio na nadmierne dopasowanie w ten sposób. Zmniejszenie minchildweight sprawiłoby, że algorytm byłby bardziej wrażliwy na małe grupy danych, co mogłoby zwiększyć nadmierne dopasowanie, a nie je zmniejszyć.