शुरू करेंमुफ़्त में शुरू करें

अपने XGBoost मॉडल का क्रॉस-वैलिडेशन

इस अभ्यास में, आप एक कदम आगे बढ़ेंगे: आपने जो पाइपलाइन बनाई है, उसी का उपयोग करके अपने मॉडल को प्रीप्रोसेस करेंगे और उसका क्रॉस-वैलिडेशन भी करेंगे.

यह अभ्यास पाठ्यक्रम का हिस्सा है

XGBoost के साथ Extreme Gradient Boosting

पाठ्यक्रम देखें

अभ्यास निर्देश

  • steps का उपयोग करके xgb_pipeline नाम की एक पाइपलाइन बनाएँ.
  • cross_val_score() का उपयोग करके 10-fold क्रॉस-वैलिडेशन करें. आपको पाइपलाइन, X (dictionary के रूप में, .to_dict("records") का उपयोग करके), y, आपके द्वारा चुने गए folds की संख्या, और scoring ("neg_mean_squared_error") पास करने होंगे.
  • 10-fold RMSE प्रिंट करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# Import necessary modules
from sklearn.feature_extraction import DictVectorizer
from sklearn.pipeline import Pipeline
from sklearn.model_selection import cross_val_score

# Fill LotFrontage missing values with 0
X.LotFrontage = ____

# Setup the pipeline steps: steps
steps = [("ohe_onestep", DictVectorizer(sparse=False)),
         ("xgb_model", xgb.XGBRegressor(max_depth=2, objective="reg:squarederror"))]

# Create the pipeline: xgb_pipeline
xgb_pipeline = ____

# Cross-validate the model
cross_val_scores = ____

# Print the 10-fold RMSE
print("10-fold RMSE: ", np.mean(np.sqrt(np.abs(____))))
कोड संपादित करें और चलाएँ