総まとめ
ここまで学んだ内容をすべて一つにまとめましょう！このコース最後の演習では、これまでの演習で作成した内容を組み合わせて、前処理から学習までを一貫して行う XGBoost パイプラインを完成させます。これにより、XGBoost における前処理とパイプラインの理解をしっかり定着させます。
直前の3つの演習で行った、データの前処理とパイプラインの構築は読み込まれています。ここではランダムサーチを実行し、最適なハイパーパラメータを特定してください。
この演習はコースの一部です
XGBoost で学ぶ極限の勾配ブースティング
演習の手順
- パラメータグリッドを設定します。
'clf__learning_rate'（0.05から1まで0.05刻み）、'clf__max_depth'（3から10まで1刻み）、'clf__n_estimators'（50から200まで50刻み）をチューニング対象にします。 - 推定器に
pipelineを用いて、2 分割のRandomizedSearchCVを実行します。n_iterは2、評価指標は"roc_auc"、verboseは1に設定して詳細な出力を得ます。結果はrandomized_roc_aucに保存します。 randomized_roc_aucをXとyに対して学習させます。randomized_roc_aucのベストスコアとベスト推定器を計算します。
実践的なインタラクティブ演習
このサンプルコードを完成させて、この演習に挑戦してみましょう。
# Create the parameter grid
gbm_param_grid = {
'____': ____(____, ____, ____),
'____': ____(____, ____, ____),
'____': ____(____, ____, ____)
}
# Perform RandomizedSearchCV
randomized_roc_auc = ____
# Fit the estimator
____
# Compute metrics
print(____)
print(____)