【第十二章：Sentosa_DSML社区版-机器学习之回归】

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

reg_param

正则化参数

必填

Double

0.0

>=0.0

正则化参数

fit_intercept

是否拟合截距

必选

Boolean

是

单选：是，否

是否拟合截距

standardization

是否对数据归一化

必选

Boolean

是

单选：是，否

是否对数据归一化

elastic_net

弹性网络混合参数

必填

Double

 0.0

[0,1] 当loss=huber时，只能=0

弹性网络则是同时使用了L1和L2作为正则化项，参数中elastic_net为L1范数惩罚项所占比例。若=0时，弹性网络只剩L2范数的惩罚项。若等于1弹性网络退化为L1范数的惩罚项参数值越大对参数惩罚越大，越不容易过拟合

max_iteration

最大迭代次数

必填

Int

 100

>0

最大迭代数

tolerance

收敛偏差

必填

Double

1E-6

>=0

收敛偏差，越小精确度越高，迭代次数越多

loss

优化损失函数

必选

String

squaredError

单选：squaredError huber

优化损失函数。支持的选项: “squaredError”和“huber”。

solver

优化求解算法

必选

String

auto

单选：l-bfgs、normal、auto，loss=huber时，只支持l-bfgs

优化求解算法。支持的选项:“l-bfgs”，“normal”和“auto”。默认值:“auto” ；l-bfgs：限制内存BFGS算法，normal：使用正规方程解决回归问题，auto:自动选择

aggregation_depth

聚合树的深度

必填

Int

2

>=2

设置聚合树的深度参数。如果特征的维度较大，或者分区较大时，该参数应该设置足够大

epsilon

shape参数

必填

Double

1.35

loss=huber且>1.0

控制稳健性的shape参数。 必须是>1.0。在较大的epsilon值下，huber标准变得更接近于最小二乘回归; 对于小的epsilon值，该标准更类似于L1回归。默认值为1.35，以获得尽可能多的稳健性，同时保持正态分布数据的95％统计效率.仅在“损失”为“huber”时有效。

Wight

权重列设置

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

max_depth

树的最大深度

必填

Int

5

>=0且<=30

树的最大深度

max_bins

连续型属性划分最大分桶数

必填

Int

32

>=2

连续型属性划分最大分桶数

min_instances_per_node

最小实例数

必填

Int

1

>=1

最小实例数

min_infoGain

最小信息增益

必填

Double

0.0

>=0.0

在树节点上考虑分割的最小信息增益

Wight

权重列设置

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

max_depth

树的最大深度

必填

Int

5

>=0且<=30

树的最大深度

max_bins

连续型属性划分最大分桶数

必填

Int

32

>=2

连续型属性划分最大分桶数

min_instances_per_node

最小实例数

必填

Int

1

>=1

最小实例数

min_infoGain

最小信息增益

必填

Double

0.0

>=0.0

在树节点上考虑分割的最小信息增益

sub_sampling_rate

子树的训练比例

必填

String

1.0

(0,1]

用于学习每个决策树的训练数据的比例

loss_type

最小化的损失函数

必选

String

squared

squared，absolute

GBT试图最小化的损失函数。(不区分大小写)支持:“squared”，“absolute”

max_iter

最大迭代次数

必填

Int

100

>0

最大迭代次数

step_size

步长

必填

Double

1.0

(0.0,1.0]

feature_subset_strategy

树节点拆分的策略

必选

String

auto

单选: auto，all，onethird，sqrt，log2，n，选择n时，则由用户输入具体>0的数值。

“auto”：自动选择，如果子树个数为1时，则使用全部特征。如果子树个数> 1时(森林)，则设置为onethird(特征数量);“all”：使用所有特征;“onethird”：使用1/3的特征;“sqrt”：使用sqrt(特征数量);“log2”：使用log2(特征数量);“n”：当n在范围(0,1.0]时，为n*特征数。当n在范围(1，+∞)时，为特征数和n值两个之间的最小值。

Wight

权重列设置

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

feature_index

特征列

必选

String

无

连续型feature列

特征列名

isotonic

输出序列设置

必选

Boolean

递增

单选：递增，递减

输出序列是否递增或递减

Wight

权重列设置

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

num_round

迭代次数

必填

Int

100

[1,Int. MaxValue]

算法的迭代次数(树的数量)

eta

学习率

必填

Double

1.0

[0.0,1.0]

更新中减少的步长来防止过拟合。

gamma

最小分裂损失

必填

Double

0

[0, Double.MaxValue]

在节点分裂时，只有分裂后损失函数的值下降了，才会分裂这个节点。Gamma指定了节点分裂所需的最小损失函数下降值。 这个参数的值越大，算法越保守。这个参数的值和损失函数息息相关，所以是需要调整的。

max_depth

树的最大深度

必填

Int

6

[1, Int.MaxValue]

这个值也是用来避免过拟合的。max_depth越大，模型会学到更具体更局部的样本。

min_child_weight

最小叶子节点样本权重和

必填

Double

1

[0, Double.MaxValue]

这个参数用于避免过拟合。当它的值较大时，可以避免模型学习到局部的特殊样本。 但是如果这个值过高，会导致欠拟合。这个参数需要使用CV来调整。

subsample

子采样率

必填

Double

1

(0,1]

将其设置为0.5意味着XGBoost随机收集了一半的数据实例以生成树，这将防止过度拟合，子采样将在每次boosting迭代中发生一次。

colsample_bytree

每棵树随机采样的列数占比

必填

Double

0.8

(0,1]

用来控制每棵随机采样的列数的占比(每一列是一个特征)。 我们一般设置成0.8左右, 典型值：0.5-1范围: (0,1]

tree_method

树构造算法

必填

String

auto

可选择"auto"，“hist”，“approx”

auto：使用启发式方法选择最快的方法, hist: 更快的直方图优化的近似贪婪算, approx：使用分位数草图和梯度直方图的近似贪婪算法

grow_policy

添加节点方式

必填

String

depthwise

仅在tree_method为hist的时候生效可选择:depthwise, lossguide

 depthwise：

在最靠近根的节点处拆分,

lossguide: 在损耗变化最大的节点处拆分

max_bins

最大箱数

必填

Integer

256

仅在tree_method设置为hist时使用, [1, Int. MaxValue)

用于存储连续特征的最大不连续回收箱数，增加此数目可提高拆分的最佳性,但需要增加计算时间。

single_precision_histogram

是否单精度

必填

Boolean

否

仅在tree_method设置为hist时使用，

可选：是，否

否：双精度

是: 单精度

scale_pos_weight

正负样本不均衡调节权重

必填

Double

1

>0

在各类别样本十分不平衡时，把这个参数设定为一个正值，可以使算法更快收敛。通常可以将其设置为负样本的数目与正样本数目的比值.

lambda

L2正则化项

必填

Double

1

>= 0

关于权重的L2正则化项。增加此值将使模型更加保守。

alpha

L1正则化项

必填

Double

0

>=0

关于权重的L1正则化项。增加此值将使模型更加保守。

objective

学习目标

必填

String

reg: squarederror

可选：reg:squarederror, reg:squaredlogerror, reg:gamma， reg:tweedie

reg:squarederror:

平方损失回归,

reg:squaredlogerror:

对数平方损失回归,

reg:gamma:使用对数链接进行伽马回归

eval_metric

评估指标

必选

String

根据优化目标默认

可选择[“rmse”,”rmsle”,”mae”,”gamma-deviance”]

rmse：均方根误差; rmsle：均方根对数误差

mae:平均绝对误差; gamma-deviance：伽马回归偏差

base_score

初始预测分数

必填

Double

0.5

>0

所有实例的初始预测分数，全局偏差. 在迭代次数少的情况下，可加快收敛速度， 对于足够数量的迭代，更改此值不会产生太大影响

Wight

权重列设置

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

max_depth

树的最大深度

必填

Int

5

>=0且<=30

树的最大深度：深度0表示1叶节点; 深度1表示1个内部节点+ 2个叶节点

max_bins

连续型属性划分最大分桶数

必填

Int

32

>=2

用于离散连续特性和选择如何在每个节点上分割特性的最大容器数

min_instances_per_node

最小实例数

必填

Int

1

>=1

每个子节点在分割后必须拥有的最小实例数，

min_infoGain

最小信息增益

必填

double

0.0

>=0.0

在树节点上考虑分割的最小信息增益

feature_subset_strategy

树节点拆分的策略

必选

String

auto

单选:auto，all，onethird，sqrt，log2，选择n时，则由用户输入具体>0的数值。

“auto”：自动选择，如果子树个数为1时，则使用全部特征。如果子树个数> 1时(森林)，则设置为onethird(特征数量);“all”：使用所有特征;“onethird”：使用1/3的特征;“sqrt”：使用sqrt(特征数量);“log2”：使用log2(特征数量);“n”：当n在范围(0,1.0]时，为n*特征数。当n在范围(1，+∞)时，为特征数和n值两个之间的最小值。

num_trees

树的数量

必填

Int

20

>=1

要训练的树数

subsampling_rate

子树的训练比例

必填

Double

1.0

(0,1]

用于学习每个决策树的训练数据的一部分，范围。(默认= 1.0)

Wight

权重列

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

family

分布方式

必选

String

gaussian

单选gaussian,binomial,poisson,gamma,tweedie

用于描述模型中使用的错误分布

link

连接函数

必选

String

idenity

当family=tweedie时，无此项配置；当family=gaussian时，可选项有identity，log,inverse；family=binomial时，可选项有logit，probit，cloglog；family=poisson时，可选项为identity，log，sqrt；family=gamma时，可选项有identity，log，inverse

为链接函数的名称提供了线性预测函数与分布函数平均值之间的关系

fit_intercept

是否拟合截距

必选

Boolean

是

单选：是，否

是否拟合截距

variance_power

方差函数的幂

必填

double

0.0

0 和 [1, 无穷大)family=Tweedie

为Tweedie分布的方差函数的幂，提供了分布的方差和均值之间的关系，仅支持 Tweedie系分布方式0对应Gaussian1对应Poisson2对应Gamma系

link_power

冥链函数的索引

必选

double

1

family=Tweedie0,1，-1,0.5

冥链函数的索引，仅适用于Tweedie家族，0,1，-1或0.5分别对应于Log，Identity，Inverse或Sqrt链路。不设置时，默认值为1-variance_power

max_iter

最大迭代次数

必填

Int

25

> 0

最大迭代次数

reg_param

正则化参数

必填

double

0.0

>=0

正则化参数

tol

收敛偏差

必填

double

1E-6

>= 0

收敛偏差

offset_column

偏移量列名

非必填

String

前继算子的输出列

偏移量列名

Wight

权重列

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

objective

学习目标

必填

String

regression

regression,regression_l1,huber,fair,poisson,quantile,mape,gamma,tweedie

regression别名regression_l2、mse、mean_squared_error，采用l2损失；

regression_l1别名mean_absolute_error、mae，采用l1损失；

huber：huber损失；

fair：fair损失；

poisson：poisson损失；

quantile：quantile损失；

quantile_l2与quantile 类似,但是使用 L2 损失

mape别名mean_absolute_percentage_error

gamma 目标符合gamma分布

tweedie 目标符合tweedie分布

boosting_tye

基学习器

必填

String

gbdt

gbdt,rf,dart,goss

gbdt:梯度提升数,rf:随机森林，dart:dropout+mart，goss：单边梯度重采样

num_iterations

迭代次数

必填

Integer

100

[1, Int.MaxValue]

迭代次数

learning_rate

学习率

必填

Double

0.1

(0,1]

学习率

max_depth

最大深度

必填

Integer

-1

[Int.MinValue, Int.MaxValue]

树模型最大深度的限制，当数据量较小时，用来处理过拟合,树仍然通过leaf-wise生长，<=0意味着没有限制

num_leaves

叶子数量

必填

Integer

31

[2, Int.MaxValue]

叶子数量

min_sum_hessian_in_leaf

最小叶子节点Hessian和

必填

Double

1e-3

[0, Int.MaxValue]

可以防止过拟合

bagging_fraction

Bagging比例

必填

Double

1.0

(0,1]

可以在不进行重采样的情况下随机选择部分数据来加速训练，为了启用bagging。rf时这个参数需要小于1，且bagging_freq > 0。

bagging_freq

Bagging频率

必填

Integer

0

[0, Int.MaxValue]

0意味着关闭bagging， k意味着k次迭代进行一次bagging，此外如果要用bagging，bagging_fraction必须同时小于1.0。

bagging_seed

Bagging种子

必填

Integer

3

>0

Bagging种子。

lambda_l2

L2正则化项

必填

Double

0

>= 0

关于权重的L2正则化项。增加此值将使模型更加保守。

lambda_l1

L1正则化项

必填

Double

0

>=0

关于权重的L1正则化项。增加此值将使模型更加保守。

feature_fraction

特征采样比例

必填

Double

1.0

(0.0,1.0]

如果该参数小于1.0， 在每个迭代，lightgbm会随机选择部分特征进行训练，加速训练，防止过拟合

early_stopping_round

提前终止迭代

必填

Integer

0

>=0

如果一个验证集的metric在过去的 early_stopping_round轮次中没有提升则终止训练，<=0意味着关闭

max_bin

最大箱数

必填

Integer

255

(0,infinite)

较少的箱数可能会降低精度，但是会避免过拟合

boost_from_average

从均值开始提升

必填

Boolean

否

单选：是，否

只在regression中使用

调整初始分数到标签的平均值，以便更快地收敛

is_provide_training_metric

输出训练metric结果

必填

Boolean

否

单选：是，否

训练时提供metric结果

Wight

权重列设置

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

solver

优化求解算法

必选

String

adamW

单选：adamW,gd

优化求解算法

bias

是否拟合截距

必选

Boolean

是

true,false

是否拟合截距,即0次项

one_way_interaction

是否拟合一次项

必选

Boolean

是

true,false

是否拟合一次项

dimension

二次项维度

必选

Int

8

>0

二次项维度

reg_params

正则化参数

必选

Double

0.01

>0

正则化系数

max_itert

最大迭代次数

必选

Int

100

>0

最大迭代次数

init_stdev

二次项初始标准差

必选

Double

0.05

>0.0

二次项初始标准差

step_size

步长

必选

Double

0.01

>0.0

步长

tolerance_conver_iter

迭代的收敛误差

必选

Double

1E-6

>0.0

迭代的收敛误差

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

max_depth

树的最大深度

必填

Int

5

>=0且<=30

树的最大深度

max_bins

连续型属性划分最大分桶数

必填

Int

32

>=2

连续型属性划分最大分桶数

min_instances_per_node

最小实例数

必填

Int

1

>=1

最小实例数

min_infoGain

最小信息增益

必填

Double

0.0

>=0.0

在树节点上考虑分割的最小信息增益

feature_subset_strategy

树节点拆分的策略

必填

String

auto

单选:auto，all，onethird，sqrt，log2，选择n时，则由用户输入具体>0的数值。

“auto”：自动选择，如果子树个数为1时，则使用全部特征。如果子树个数> 1时(森林)，则设置为sqrt(特征数量);“all”：使用所有特征;“onethird”：使用1/3的特征;“sqrt”：使用sqrt(特征数量);“log2”：使用log2(特征数量);“n”：当n在范围(0,1.0]时，为n*特征数。当n在范围(1，+∞)时，为特征数和n值两个之间的最小值。

subsampling_rate

子树的训练比例

必填

String

1.0

(0,1]

用于学习每个决策树的训练数据的比例

max_iter

迭代次数

必填

Int

10

>0

迭代次数，决定Adaboost子树的数量

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

k

K值

必填

Int

5

>=2

K近邻的K值

Wight

权重列设置

非必填

String

无

无

在建模时，有时不同的样本可能有不同的权重。我们需要支持用户在建模时指定权重列。

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

Kernel

核函数类型

必选

String

RBF

RBF

ARDRBF

核函数类型

maxIteration

最大迭代次数

必选

Int

10

正整数

最大迭代次数

tolerance

收敛偏差

必选

Double

1e-6

(0,+∞)

收敛偏差

activeSetSize

模型预测的采样点数

必选

int

1000

正整数

模型预测的采样点数

datasetSizeForExpert

用作超参优化的数据块大小

必选

Int

1000

正整数

用作超参优化的数据块大小

sigma2

噪声的方差参数

必选

Double

2e-1

(0.1,+∞)

噪声的方差参数

activesetProvider

数据采样方法

必选

String

KMeans

GreedilyOptimization、

KMeans、

Random

数据采样方法

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值

属性

页面显示名称

选项

类型

默认值

约束规则

属性说明

layers

隐藏层数设置(逗号分隔的整数)

必填

List<String>

逗号分隔的整型

从输入层到输出层的层数。用逗号分隔的整数，例如780,100,10表示780个输入，100个神经元的隐藏层和10个神经元的输出层

solver

优化算法

必选

String

l-bfgs

单选:l-bfgs gd

优化算法。支持选项:“l-bfgs”/“gd”默认l-bfgs

max_iteration

最大迭代次数

必填

Int

100

>0

最大迭代次数

tolerance

收敛偏差

必填

Double

1E-6

>= 0

收敛偏差

step_size

步长

必填

Double

0.03

>0

步长参数范围: (0,+∞)

优化算法选择gd时显示

feature_weight

是否计算特征重要性

必填

Boolean

是

单选：是，否

是否计算特征重要性

Calculate_actual_predicted_scatter_plot

是否计算实际值-预测值散点图

必填

Boolean

否

单选：是，否

是否计算实际值-预测值散点图

calculate_residual_histogram

是否计算残差直方图

必填

Boolean

否

单选：是，否

是否计算残差直方图

skip_null_value

是否跳过空值

必填

Boolean

是

单选：是，否

是否跳过空值