Regularyzacja w XGBoost

Po zapoznaniu się z przykładem regularyzacji l1, spróbujesz teraz zmieniać karę regularyzacji l2 – znana również jako "lambda" – i sprawdzisz jej wpływ na ogólną wydajność modelu na zbiorze danych dotyczących cen domów w Ames.

To ćwiczenie jest częścią kursu

Extreme Gradient Boosting with XGBoost

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz DMatrix z X i y tak jak poprzednio.
Utwórz początkowy słownik parametrów, określając "objective" jako "reg:squarederror" oraz "max_depth" równe 3.
Użyj xgb.cv() wewnątrz pętli for i systematycznie zmieniaj wartość "lambda", przekazując bieżącą wartość l2 (reg).
Dołącz wartość "test-rmse-mean" z ostatniej rundy boostingu dla każdego modelu xgboost poddanego walidacji krzyżowej.
Kliknij 'Prześlij odpowiedź', aby zobaczyć wyniki. Co zauważasz?

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Create the DMatrix: housing_dmatrix
housing_dmatrix = xgb.DMatrix(data=X, label=y)

reg_params = [1, 10, 100]

# Create the initial parameter dictionary for varying l2 strength: params
params = {"____":"____","____":____}

# Create an empty list for storing rmses as a function of l2 complexity
rmses_l2 = []

# Iterate over reg_params
for reg in reg_params:

    # Update l2 strength
    params["lambda"] = ____
    
    # Pass this updated param dictionary into cv
    cv_results_rmse = ____.____(dtrain=____, params=____, nfold=2, num_boost_round=5, metrics="rmse", as_pandas=True, seed=123)
    
    # Append best rmse (final round) to rmses_l2
    ____.____(____["____"].tail(1).values[0])

# Look at best rmse per l2 param
print("Best rmse as a function of l2:")
print(pd.DataFrame(list(zip(reg_params, rmses_l2)), columns=["l2", "rmse"]))

Edytuj i uruchom kod