or
Deze oefening maakt deel uit van de cursus
In dit hoofdstuk maak je kennis met het kernidee achter XGBoost: boosted learners. Zodra je begrijpt hoe XGBoost werkt, pas je het toe op een veelvoorkomend classificatieprobleem in het bedrijfsleven: voorspellen of een klant op enig moment in de toekomst zal afhaken.
Na een korte herhaling van supervised regressie pas je XGBoost toe op de regressietaak om huizenprijzen in Ames, Iowa te voorspellen. Je leert over de twee soorten basislearners die XGBoost kan gebruiken als zwakke learners, en je herhaalt hoe je de kwaliteit van je regressiemodellen evalueert.
Dit hoofdstuk laat je zien hoe je je XGBoost-modellen zo goed mogelijk laat presteren. Je leert over de verschillende parameters die je kunt aanpassen om het gedrag van XGBoost te sturen en hoe je die efficiënt afstemt zodat je de prestaties van je modellen een flinke boost geeft.
Breng je XGBoost-vaardigheden naar een hoger niveau door je modellen op te nemen in twee end-to-end Machine Learning-pipelines. Je leert hoe je de belangrijkste XGBoost-hyperparameters efficiënt afstemt binnen een pipeline, en je krijgt een introductie tot enkele meer geavanceerde preprocessing-technieken.
Huidige oefening