1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Ensemble Methods in Python
Connected

cvičení

Souboj boosterů: Light vs. Extreme

Výkon modelu CatBoost je celkem slušný, ale pojďme vyzkoušet dva další přístupy k boostingu a zjistit, který si povede lépe: „Light“, nebo „Extreme“?

CatBoost se skvěle hodí, pokud data obsahují kategorické příznaky. V tomto případě jsou však všechny příznaky numerické, takže jeden z ostatních přístupů může přinést lepší výsledky.

Protože stavíme regresní modely, použijeme navíc parametr objective, který určuje učící funkci. Pro aplikaci kvadratické chyby nastavíme objective na 'reg:squarederror' u XGBoost a na 'mean_squared_error' u LightGBM.

Navíc pro XGBoost zadáme parametr n_jobs, který zkrátí dobu výpočtu.

POZOR: nepoužívej klasifikátory, jinak ti může vypršet session!

Pokyny

100 XP
  • Sestav XGBRegressor s parametry: max_depth = 3, learning_rate = 0.1, n_estimators = 100 a n_jobs=2.
  • Sestav LGBMRegressor s parametry: max_depth = 3, learning_rate = 0.1 a n_estimators = 100.