शुरू करेंमुफ़्त में शुरू करें

XGBoost के साथ रैंडम सर्च

कई बार GridSearchCV में बहुत समय लगता है, इसलिए प्रैक्टिस में आप RandomizedSearchCV इस्तेमाल करना चाहेंगे, जैसा कि आप इस अभ्यास में करेंगे। अच्छी बात यह है कि RandomizedSearchCV करने के लिए आपको अपने GridSearchCV कोड में बस कुछ मामूली बदलाव करने होते हैं। मुख्य अंतर यह है कि आपको param_grid की जगह param_distributions पैरामीटर बताना होता है.

यह अभ्यास पाठ्यक्रम का हिस्सा है

XGBoost के साथ Extreme Gradient Boosting

पाठ्यक्रम देखें

अभ्यास निर्देश

  • gbm_param_grid नाम का एक पैरामीटर ग्रिड बनाएँ जिसमें 'n_estimators' के लिए एकल मान (25) वाली एक सूची हो, और 'max_depth' के लिए 2 से 11 तक के मानों की सूची हो — इसके लिए range(2, 12) का उपयोग करें.
  • randomized_mse नाम का एक RandomizedSearchCV ऑब्जेक्ट बनाएँ, जिसमें पास करें: पैरामीटर ग्रिड को param_distributions में, XGBRegressor को estimator में, "neg_mean_squared_error" को scoring में, 5 को n_iter में, और 4 को cv में। आउटपुट बेहतर समझने के लिए verbose=1 भी सेट करें.
  • RandomizedSearchCV ऑब्जेक्ट को X और y पर फिट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

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

# Instantiate the regressor: gbm
gbm = xgb.XGBRegressor(n_estimators=10)

# Perform random search: grid_mse
randomized_mse = ____


# Fit randomized_mse to the data
____

# Print the best parameters and lowest RMSE
print("Best parameters found: ", randomized_mse.best_params_)
print("Lowest RMSE found: ", np.sqrt(np.abs(randomized_mse.best_score_)))
कोड संपादित करें और चलाएँ