Totul laolaltă

A venit momentul să reunești tot ce ai învățat până acum! În acest ultim exercițiu al cursului, vei combina munca din exercițiile anterioare într-un pipeline XGBoost complet, de la capăt la capăt, pentru a consolida înțelegerea preprocesării și a pipeline-urilor în XGBoost.

Codul din cele 3 exerciții anterioare, în care ai preprocesat datele și ai configurat pipeline-ul, a fost deja încărcat. Sarcina ta este să efectuezi o căutare aleatorie și să identifici cei mai buni hiperparametri.

Acest exercițiu face parte din cursul

Gradient Boosting Extrem cu XGBoost

Vezi cursul

Instrucțiuni pentru exercițiu

Configurează grila de parametri pentru a ajusta 'clf__learning_rate' (de la 0.05 la 1, cu increment de 0.05), 'clf__max_depth' (de la 3 la 10, cu increment de 1) și 'clf__n_estimators' (de la 50 la 200, cu increment de 50).
Folosind pipeline ca estimator, aplică RandomizedSearchCV cu 2 fold-uri, un n_iter de 2, metrica "roc_auc" și verbose setat la 1 pentru a obține o ieșire mai detaliată. Stochează rezultatul în randomized_roc_auc.
Antrenează randomized_roc_auc pe X și y.
Calculează cel mai bun scor și cel mai bun estimator al obiectului randomized_roc_auc.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Create the parameter grid
gbm_param_grid = {
    '____': ____(____, ____, ____),
    '____': ____(____, ____, ____),
    '____': ____(____, ____, ____)
}

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

Editează și rulează codul