Mettre le tout ensemble

Très bien, il est temps de rassembler tout ce que vous avez appris jusqu'ici ! Dans cet exercice final du cours, vous combinerez votre travail des exercices précédents en un seul pipeline XGBoost de bout en bout afin de bien ancrer votre compréhension du prétraitement et des pipelines avec XGBoost.

Votre travail des 3 exercices précédents, où vous avez prétraité les données et configuré votre pipeline, a été préchargé. Votre tâche est d'effectuer une recherche aléatoire et d'identifier les meilleurs hyperparamètres.

Cette activité fait partie du cours

Amorçage de gradient avancé avec XGBoost

Voir le cours

Instructions de l’exercice

Configurez la grille de paramètres pour optimiser 'clf__learning_rate' (de 0.05 à 1 par incréments de 0.05), 'clf__max_depth' (de 3 à 10 par incréments de 1) et 'clf__n_estimators' (de 50 à 200 par incréments de 50).
En utilisant votre pipeline comme estimateur, effectuez un RandomizedSearchCV à 2 plis avec n_iter à 2. Utilisez "roc_auc" comme métrique et réglez verbose à 1 pour obtenir un affichage plus détaillé. Stockez le résultat dans randomized_roc_auc.
Ajustez randomized_roc_auc à X et y.
Calculez le meilleur score et le meilleur estimateur de randomized_roc_auc.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

Modifier et exécuter le code