Vše dohromady

Čas dát vše dohromady! V tomto závěrečném cvičení kurzu propojíš vše, co ses dosud naučil/a, do jednoho kompletního XGBoost pipeline – a pořádně si tak upevníš znalosti předzpracování dat a práce s pipeline v XGBoost.

Výsledky z předchozích 3 cvičení, kde jsi předzpracoval/a data a sestavil/a pipeline, jsou už načtené. Tvým úkolem je provést randomizované prohledávání a najít nejlepší hyperparametry.

Toto cvičení je součástí kurzu

Extreme Gradient Boosting with XGBoost

Zobrazit kurz

Pokyny k cvičení

Nastav mřížku parametrů pro ladění 'clf__learning_rate' (od 0.05 do 1 s krokem 0.05), 'clf__max_depth' (od 3 do 10 s krokem 1) a 'clf__n_estimators' (od 50 do 200 s krokem 50).
Jako estimátor použij svůj pipeline a proveď 2-fold RandomizedSearchCV s hodnotou n_iter nastavenou na 2. Jako metriku použij "roc_auc" a nastav verbose na 1, aby byl výstup podrobnější. Výsledek ulož do randomized_roc_auc.
Přizpůsob randomized_roc_auc datům X a y.
Zjisti nejlepší skóre a nejlepší estimátor objektu randomized_roc_auc.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Create the parameter grid
gbm_param_grid = {
    '____': ____(____, ____, ____),
    '____': ____(____, ____, ____),
    '____': ____(____, ____, ____)
}

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

Upravit a spustit kód