Собираем всё вместе

Настало время объединить всё, что вы изучили! В этом финальном упражнении курса вы соберёте результаты предыдущих заданий в единый сквозной пайплайн XGBoost — чтобы окончательно закрепить понимание предобработки данных и пайплайнов в XGBoost.

Результаты трёх предыдущих упражнений, в которых вы выполняли предобработку данных и настраивали пайплайн, уже загружены. Ваша задача — провести случайный поиск и определить наилучшие гиперпараметры.

Это упражнение является частью курса

Экстремальный градиентный бустинг с XGBoost

Посмотреть курс

Инструкции к упражнению

Настройте сетку параметров для перебора: 'clf__learning_rate' (от 0.05 до 1 с шагом 0.05), 'clf__max_depth' (от 3 до 10 с шагом 1) и 'clf__n_estimators' (от 50 до 200 с шагом 50).
Используя ваш pipeline в качестве оценщика, выполните двухфолдовый RandomizedSearchCV с параметром n_iter равным 2. В качестве метрики укажите "roc_auc", а verbose установите в 1, чтобы получить более подробный вывод. Сохраните результат в переменную randomized_roc_auc.
Обучите randomized_roc_auc на данных X и y.
Вычислите наилучший результат и наилучший оценщик объекта randomized_roc_auc.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

Редактировать и запускать код