XGBoost-Modelle trainieren
Jede Machine-Learning-Methode kann potenziell überanpassen. Das siehst du in diesem Beispiel mit XGBoost. Du arbeitest wieder mit der Store Item Demand Forecasting Challenge. Das DataFrame train steht in deinem Workspace bereit.
Trainiere zunächst mehrere XGBoost-Modelle mit unterschiedlichen Hyperparameter-Sets über die Learning-API von XGBoost. Den einzigen Hyperparameter, den du änderst, ist:
max_depth– die maximale Tiefe eines Baums. Ein höherer Wert macht das Modell komplexer und erhöht das Risiko von Overfitting.
Diese Übung ist Teil des Kurses
Eine Kaggle-Competition in Python gewinnen
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
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:linear',
'____': ____,
'verbosity': 0}
# Train xgboost model
xg_depth_2 = xgb.train(params=params, dtrain=dtrain)