1. Uczyć się
    2. /
  2. Courses
    3. /
  3. Ćwiczenie pytań rekrutacyjnych z uczenia maszynowego w Pythonie
Connected

Exercise

XG Boost

W tym ćwiczeniu przećwiczysz kolejną technikę boostingu. XGBoost – nazywany nową królową uczenia maszynowego – to zoptymalizowana, rozproszona biblioteka gradient boostingu, która „podbija świat!". Znajomość tego algorytmu jest bardzo prawdopodobnym tematem rozmowy kwalifikacyjnej z ML, a przynajmniej jej omówienie może wypaść na twoją korzyść – pokazuje, że znasz najnowocześniejsze i wysoce dokładne algorytmy.

Argument learning_rate=0.1 określa rozmiar kroku w każdej iteracji podczas poszukiwania globalnego minimum, a max_depth kontroluje rozmiar (głębokość) drzew decyzyjnych – tutaj wynosi 3.

Wszystkie potrzebne biblioteki zostały już zaimportowane: pandas jako pd, train_test_split z sklearn.model_selection, accuracy_score z sklearn.linear_model, LogisticRegression z sklearn.linear_model, BaggingClassifier i AdaBoostClassifier z sklearn.ensemble oraz XGBClassifier z xgboost.

DataFrame loan_data został już podzielony na X_train, X_test, y_train i y_test.

Instrukcje 1/4

undefined XP
    1
    2
    3
    4
  • Utwórz instancję klasyfikatora XGBoost i ustaw odpowiedni argument tak, aby wygenerować 10 estymatorów.