Trénování modelů XGBoost

Každá metoda strojového učení může vést k přetrénování. Uvidíš to na tomto příkladu s XGBoostem. Opět pracuješ s datasetem ze soutěže Store Item Demand Forecasting Challenge. DataFrame train máš k dispozici ve svém pracovním prostředí.

Nejdřív natrénujeme několik modelů XGBoost s různými sadami hyperparametrů pomocí učícího API XGBoostu. Jediný hyperparametr, který budeš měnit, je:

max_depth – maximální hloubka stromu. Čím vyšší hodnota, tím složitější model a tím větší riziko přetrénování.

Toto cvičení je součástí kurzu

Jak vyhrát soutěž na Kaggle v Pythonu

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

import xgboost as xgb

# Create DMatrix on train data
dtrain = xgb.DMatrix(data=train[['store', 'item']],
                     label=train['sales'])

# Define xgboost parameters
params = {'objective': 'reg:squarederror',
          '____': ____,
          'verbosity': 0}

# Train xgboost model
xg_depth_2 = xgb.train(params=params, dtrain=dtrain)

Upravit a spustit kód