XGBoost
In questo esercizio metterai in pratica un'altra tecnica di boosting. Considerato la nuova regina del Machine Learning, XGBoost è un pacchetto di gradient boosting distribuito e ottimizzato che sta "conquistando il mondo!". Proprio per questo è molto probabile che te ne parlino in un colloquio di Machine Learning o, quantomeno, può esserti utile citarlo in una risposta per mostrare che conosci algoritmi all'avanguardia e molto accurati.
L'argomento learning_rate=0.1 specifica l'ampiezza del passo a ogni iterazione nella ricerca del minimo globale, mentre max_depth controlla la dimensione (profondità) degli alberi decisionali, qui impostata a 3.
Tutti i pacchetti necessari sono già stati importati per te:
pandas come pd, train_test_split da sklearn.model_selection, accuracy_score da sklearn.linear_model, LogisticRegression da sklearn.linear_model, BaggingClassifier e AdaBoostClassifier da sklearn.ensemble, e XGBClassifier da xgboost.
Il DataFrame loan_data è già suddiviso in X_train, X_test, y_train e y_test.
Questo esercizio fa parte del corso
Esercitarsi con le domande di colloquio di Machine Learning in Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# Instantiate
xgb = ____(____=____, random_state=123, learning_rate=0.1, max_depth=3)