Random search met XGBoost

GridSearchCV kan vaak erg veel tijd kosten. In de praktijk wil je daarom vaak RandomizedSearchCV gebruiken, zoals je in deze oefening doet. Goed nieuws: je hoeft maar een paar kleine aanpassingen te maken aan je GridSearchCV-code om RandomizedSearchCV te doen. Het belangrijkste verschil is dat je een parameter param_distributions moet opgeven in plaats van param_grid.

Deze oefening maakt deel uit van de cursus

Extreme Gradient Boosting met XGBoost

Bekijk cursus

Oefeninstructies

Maak een parametergrid met de naam gbm_param_grid dat een lijst bevat met één waarde voor 'n_estimators' (25), en een lijst met 'max_depth'-waarden tussen 2 en 11 voor 'max_depth' — gebruik hiervoor range(2, 12).
Maak een RandomizedSearchCV-object met de naam randomized_mse, en geef door: het parametergrid aan param_distributions, de XGBRegressor aan estimator, "neg_mean_squared_error" aan scoring, 5 aan n_iter, en 4 aan cv. Specificeer ook verbose=1 zodat je de output beter kunt begrijpen.
Fit het RandomizedSearchCV-object op X en y.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

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

# Instantiate the regressor: gbm
gbm = xgb.XGBRegressor(n_estimators=10)

# Perform random search: grid_mse
randomized_mse = ____


# Fit randomized_mse to the data
____

# Print the best parameters and lowest RMSE
print("Best parameters found: ", randomized_mse.best_params_)
print("Lowest RMSE found: ", np.sqrt(np.abs(randomized_mse.best_score_)))

Code bewerken en uitvoeren