machine-learning - 使用提早停止时对助推轮数施加限制？

在提升树算法（如 xgboost 或 lightgbm）的超参数优化期间，是否可以在使用提前停止时直接控制提升轮数（估计器/树）的最小（而不仅仅是最大）数量？这种需求的动机是观察到在太少轮次后停止训练的模型始终欠拟合（其指标明显低于往往具有更多增强轮次的最先进模型）。

我知道的唯一解决方案是间接解决方案：调整链接的超参数 - 学习率（降低其在搜索空间中的上限）。当设置得太高时，学习率会导致模型拟合不足，从而导致训练停止得太快，即提升轮数太少。

标签： machine-learningxgboosthyperparameterslightgbmearly-stopping

您是否尝试过改变设置停止轮数的参数？根据使用的数据、轮次和学习率，我看到这个参数设置为低至 5 和高至 500。

如果您提供一些示例数据和代码，可能会更容易提出建议。