これまでに、チューニングがXGBoostモデル全体の性能に与える影響を見てきました。ここで視点を変えて、どんなときにチューニングが最善ではないかを考えてみましょう。モデルのチューニングは時間がかかり複雑になりがちであることを踏まえると、次のうち「慎重なチューニングが不要」といえる状況はどれでしょうか？
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では、XGBoost の核となる考え方である「ブーストされた学習器」を紹介します。XGBoost の仕組みを理解したら、業界でよくある分類問題――将来ある時点で顧客が離反するかどうかの予測――に適用していきます。
最初に教師あり回帰を手短に復習したあと、XGBoost を使ってアイオワ州エイムズの住宅価格を予測する回帰タスクに取り組みます。XGBoost が弱学習器として利用できる2種類のベース学習器について学び、回帰モデルの性能評価方法も確認します。
この章では、XGBoost モデルの性能を最大限に引き出す方法を学びます。XGBoost の挙動を変えるさまざまなパラメータと、それらを効率よくチューニングしてモデルの性能を大きく高める手順を身につけます。
現在の演習
XGBoost のスキルをさらに高めるため、2つのエンドツーエンドな Machine Learning パイプラインにモデルを組み込みます。パイプライン内で重要な XGBoost のハイパーパラメータを効率的に調整する方法を学び、より高度な前処理手法の概要も紹介します。
