1. Обучение
    2. /
  2. Курса
    3. /
  3. Extreme Gradient Boosting with XGBoost
Connected

упражнение

Strojenie eta

Czas poćwiczyć strojenie innych hiperparametrów XGBoost i zobaczyć, jak wpływają na wydajność modelu! Zaczniesz od strojenia parametru "eta", czyli współczynnika uczenia.

Współczynnik uczenia w XGBoost to parametr przyjmujący wartości z przedziału 0–1. Wyższe wartości "eta" silniej penalizują wagi cech, co przekłada się na mocniejszą regularyzację.

Инструкции

100 XP
  • Utwórz listę o nazwie eta_vals, w której zapiszesz następujące wartości "eta": 0.001, 0.01 i 0.1.
  • Przejdź przez listę eta_vals za pomocą pętli for.
  • W każdej iteracji pętli for ustaw klucz "eta" w params na wartość curr_val. Następnie przeprowadź 3-krotną walidację krzyżową z wczesnym zatrzymaniem (5 rund), 10 rundami boostingu, miarą "rmse" i seed równym 123. Zadbaj o to, aby wynik był obiektem DataFrame.
  • Dołącz wartość RMSE z ostatniej rundy do listy best_rmse.