शुरू करेंमुफ़्त में शुरू करें

Accuracy मापना

अब आप XGBoost की learning API को उसकी इन-बिल्ट क्रॉस-वैलिडेशन क्षमता के साथ उपयोग करने का अभ्यास करेंगे। जैसा कि Sergey ने पिछले वीडियो में बताया, XGBoost अपनी शानदार परफॉर्मेंस और कुशलता अपने datasets के लिए ऑप्टिमाइज़्ड डेटा स्ट्रक्चर DMatrix का उपयोग करके पाता है.

पिछले अभ्यास में, इनपुट datasets को चलते-चलते DMatrix डेटा में बदला गया था, लेकिन जब आप xgboost के cv ऑब्जेक्ट का उपयोग करते हैं, तो आपको पहले अपने डेटा को स्पष्ट रूप से DMatrix में बदलना होता है। इसलिए, क्रॉस-वैलिडेशन चलाने से पहले आप यही काम churn_data पर करेंगे.

यह अभ्यास पाठ्यक्रम का हिस्सा है

XGBoost के साथ Extreme Gradient Boosting

पाठ्यक्रम देखें

अभ्यास निर्देश

  • xgb.DMatrix() का उपयोग करके churn_data से churn_dmatrix नाम का DMatrix बनाएँ। फीचर्स X में उपलब्ध हैं और लेबल y में.
  • xgb.cv() कॉल करके 3-fold क्रॉस-वैलिडेशन करें। dtrain आपका churn_dmatrix है, params आपका पैरामीटर dictionary है, nfold क्रॉस-वैलिडेशन folds की संख्या है (3), num_boost_round वह ट्री काउंट है जो हम बनाना चाहते हैं (5), और metrics वह मेट्रिक है जिसे आप compute करना चाहते हैं (यह "error" होगा, जिसे हम accuracy में बदलेंगे)।

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Create arrays for the features and the target: X, y
X, y = churn_data.iloc[:,:-1], churn_data.iloc[:,-1]

# Create the DMatrix from X and y: churn_dmatrix
churn_dmatrix = ____(data=____, label=____)

# Create the parameter dictionary: params
params = {"objective":"reg:logistic", "max_depth":3}

# Perform cross-validation: cv_results
cv_results = ____(dtrain=____, params=____, 
                  nfold=____, num_boost_round=____, 
                  metrics="____", as_pandas=____, seed=123)

# Print cv_results
print(cv_results)

# Print the accuracy
print(((1-cv_results["test-error-mean"]).iloc[-1]))
कोड संपादित करें और चलाएँ