1. Learn
    2. /
  2. कोर्स
    3. /
  3. Extreme Gradient Boosting with XGBoost
Connected

अभ्यास

Liniowe modele bazowe

Wcześniej korzystałeś z drzew decyzyjnych jako modeli bazowych w XGBoost. Teraz czas poznać drugi rodzaj modelu bazowego dostępny w XGBoost – liniowy model uczący. Choć rzadziej stosowany, pozwala zbudować regularyzowaną regresję liniową z wykorzystaniem zaawansowanego API XGBoost. Ze względu na jego specyfikę, do budowy modelu musisz użyć własnych funkcji XGBoost niezgodnych z interfejsem scikit-learn, takich jak xgb.train().

Aby to zrobić, musisz utworzyć słownik parametrów opisujący typ boostera, którego chcesz użyć (podobnie jak tworzyłeś słownik w rozdziale 1 przy użyciu xgb.cv()). Para klucz–wartość definiująca typ boostera (model bazowy) to "booster":"gblinear".

Po utworzeniu modelu możesz korzystać z metod .train() i .predict() tak samo jak dotychczas.

Dane zostały już podzielone na zbiory treningowy i testowy, więc możesz od razu przystąpić do tworzenia obiektów DMatrix wymaganych przez API XGBoost.

निर्देश

100 XP
  • Utwórz dwa obiekty DMatrix – DM_train dla zbioru treningowego (X_train i y_train) oraz DM_test (X_test i y_test) dla zbioru testowego.
  • Utwórz słownik parametrów definiujący typ "booster", którego użyjesz ("gblinear"), oraz "objective" – funkcję straty, którą chcesz minimalizować ("reg:squarederror").
  • Wytrenuj model za pomocą xgb.train(). Podaj argumenty dla następujących parametrów: params, dtrain i num_boost_round. Użyj 5 rund boostingu.
  • Wyznacz etykiety dla zbioru testowego, używając xg_reg.predict() z argumentem DM_test. Wynik przypisz do zmiennej preds.
  • Kliknij „Prześlij odpowiedź", aby zobaczyć wartość RMSE!