Ajuste de max_depth

En este ejercicio, tu tarea es ajustar max_depth, el parámetro que determina la profundidad máxima a la que puede crecer cada árbol en una ronda de boosting. Valores más pequeños dan lugar a árboles más poco profundos y valores más grandes a árboles más profundos.

Este ejercicio forma parte del curso

Extreme Gradient Boosting con XGBoost

Ver curso

Instrucciones del ejercicio

Crea una lista llamada max_depths para almacenar los siguientes valores de "max_depth": 2, 5, 10 y 20.
Itera sobre tu lista max_depths usando un bucle for.
Varía de forma sistemática "max_depth" en cada iteración del bucle for y realiza una validación cruzada de 2 particiones con early stopping (5 rondas), 10 rondas de boosting, una métrica "rmse" y una seed de 123. Asegúrate de que la salida sea un DataFrame.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Create your housing DMatrix
housing_dmatrix = xgb.DMatrix(data=X,label=y)

# Create the parameter dictionary
params = {"objective":"reg:squarederror"}

# Create list of max_depth values
max_depths = ____
best_rmse = []

# Systematically vary the max_depth
for curr_val in ____:

    params["____"] = ____
    
    # Perform cross-validation
    cv_results = ____
    
    
    
    # Append the final round rmse to best_rmse
    best_rmse.append(cv_results["test-rmse-mean"].tail().values[-1])

# Print the resultant DataFrame
print(pd.DataFrame(list(zip(max_depths, best_rmse)),columns=["max_depth","best_rmse"]))

Editar y ejecutar código