XGBoost
В этом упражнении вы попрактикуетесь ещё с одной техникой бустинга. XGBoost — оптимизированный пакет распределённого градиентного бустинга, который нередко называют новой «королевой машинного обучения». Скорее всего, вас спросят о нём на собеседовании по машинному обучению — а значит, умение рассказать об XGBoost продемонстрирует ваше знание современных высокоточных алгоритмов.
Аргумент learning_rate=0.1 задаёт размер шага на каждой итерации при поиске глобального минимума, а max_depth управляет глубиной деревьев решений — здесь она равна 3.
Все необходимые пакеты уже импортированы:
pandas как pd, train_test_split из sklearn.model_selection, accuracy_score из sklearn.linear_model, LogisticRegression из sklearn.linear_model, BaggingClassifier и AdaBoostClassifier из sklearn.ensemble, а также XGBClassifier из xgboost.
Датафрейм loan_data уже разбит на X_train, X_test, y_train и y_test.
Это упражнение является частью курса
Практика вопросов интервью по машинному обучению на Python
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# Instantiate
xgb = ____(____=____, random_state=123, learning_rate=0.1, max_depth=3)