शुरू करेंमुफ़्त में शुरू करें

सब कुछ एक साथ लाएँ

ठीक है, अब तक आपने जो कुछ सीखा है उसे एक साथ लाने का समय है! कोर्स के इस अंतिम अभ्यास में, आप पिछले अभ्यासों के अपने काम को मिलाकर एक एंड-टू-एंड XGBoost पाइपलाइन बनाएँगे, ताकि XGBoost में प्रीप्रोसेसिंग और पाइपलाइन्स की आपकी समझ पक्की हो जाए.

पिछले 3 अभ्यासों में जहाँ आपने डेटा को प्रीप्रोसेस किया और अपनी पाइपलाइन सेट अप की थी, वह सब प्रीलोड किया गया है. आपका काम है एक randomized search चलाना और सर्वश्रेष्ठ हाइपरपैरामीटर्स पहचानना.

यह अभ्यास पाठ्यक्रम का हिस्सा है

XGBoost के साथ Extreme Gradient Boosting

पाठ्यक्रम देखें

अभ्यास निर्देश

  • पैरामीटर ग्रिड सेट करें ताकि 'clf__learning_rate' (0.05 से 1 तक 0.05 के स्टेप्स में), 'clf__max_depth' (3 से 10 तक 1 के स्टेप्स में), और 'clf__n_estimators' (50 से 200 तक 50 के स्टेप्स में) ट्यून किए जा सकें.
  • अपने pipeline को estimator के रूप में उपयोग करते हुए, n_iter 2 के साथ 2-fold RandomizedSearchCV करें. मेट्रिक के रूप में "roc_auc" उपयोग करें, और आउटपुट अधिक विस्तृत पाने के लिए verbose को 1 पर सेट करें. परिणाम को randomized_roc_auc में स्टोर करें.
  • randomized_roc_auc को X और y पर फिट करें.
  • randomized_roc_auc का best score और best estimator compute करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)
कोड संपादित करें और चलाएँ