Det här kapitlet introducerar grundidén bakom XGBoost – boostade inlärare. När du förstår hur XGBoost fungerar tillämpar du det på ett vanligt klassificeringsproblem inom industrin: att förutsäga om en kund kommer att sluta vara kund vid någon framtida tidpunkt.

Välkommen till kursen!

Vilket av dessa är ett klassificeringsproblem?

Vilket av dessa är ett binärt klassificeringsproblem?

Introduktion till XGBoost

XGBoost: Träna/Förutsäg

Vad är ett beslutsträd?

Beslutsträd

Vad är boosting?

Mäta noggrannhet

Mäta AUC

När bör jag använda XGBoost?

Använda XGBoost

Klassificering med XGBoost

Efter en kort genomgång av övervakad regression tillämpar du XGBoost på regressionsuppgiften att förutsäga huspriser i Ames, Iowa. Du lär dig om de två typerna av basmodeller som XGBoost kan använda som svaga inlärare och går igenom hur du utvärderar kvaliteten på dina regressionsmodeller.

Repetition av regression

Vilket av dessa är ett regressionsproblem?

Målfunktioner (förlustfunktioner) och basmodeller

Beslutsträd som baslärandemaskiner

Linjära basmodeller

Utvärdera modellkvalitet

Regularisering och basmodeller i XGBoost

Använda regularisering i XGBoost

Visualisera enskilda XGBoost-träd

Visualisera särdragsvikt: Vilka särdrag är viktigast i min datamängd

Regression med XGBoost

Det här kapitlet lär dig hur du gör dina XGBoost-modeller så effektiva som möjligt. Du lär dig om de olika parametrar som kan justeras för att påverka XGBoosts beteende och hur du ställer in dem effektivt för att maximera prestandan hos dina modeller.

Varför finjustera din modell?

När är det en dålig idé att justera din modell?

Justera antalet boosting-rundor

Automatiskt val av boosting-rundor med early stopping

Översikt över XGBoosts hyperparametrar

Justera eta

Justera max_depth

Justera colsample_bytree

Genomgång av grid search och random search

Grid search med XGBoost

Slumpmässig sökning med XGBoost

Begränsningar med grid search och random search

När ska du använda Grid Search respektive Random Search?

Finjustering av din XGBoost-modell

Ta dina XGBoost-kunskaper till nästa nivå genom att integrera dina modeller i två kompletta maskininlärningspipelines. Du lär dig hur du effektivt justerar de viktigaste hyperparametrarna i XGBoost inom en pipeline och får en introduktion till några mer avancerade förbehandlingstekniker.

Genomgång av pipelines med sklearn

Explorativ dataanalys

Kodning av kategoriska kolumner I: LabelEncoder

Kodning av kategoriska kolumner II: OneHotEncoder

Kodning av kategoriska kolumner III: DictVectorizer

Förbehandling i en pipeline

Integrera XGBoost i pipelines

Korsvalidering av din XGBoost-modell

Fallstudie njursjukdom I: Kategorisk imputation

Fallstudie njursjukdom II: Feature Union

Njursjukdomsstudie del III: Fullständig pipeline

Finjustering av XGBoost-hyperparametrar

Allt på plats

Avslutande tankar

Använda XGBoost i pipelines

Ames housing prices (preprocessed)

Ames housing prices (original)

Chronic kidney disease

Kan du grunderna i övervakad inlärning och vill använda moderna modeller på verkliga datamängder? Gradientboosting är i dag en av de mest populära teknikerna för effektiv modellering av tabelldata i alla storlekar. XGBoost är en mycket snabb och skalbar implementation av gradientboosting – modeller byggda med XGBoost vinner regelbundet tävlingar inom datavetenskap och används i stor skala inom många branscher. I den här kursen lär du dig att använda det här kraftfulla biblioteket tillsammans med pandas och scikit-learn för att bygga och finjustera modeller för övervakad inlärning. Du kommer att arbeta med verkliga datamängder för att lösa klassificerings- och regressionsproblem.

Supervised Learning with scikit-learn

Utforska grunderna i gradient boosting och XGBoost för regression, pipelines och finjustering.

Extreme Gradient Boosting med XGBoost

Lär dig grunderna i gradient boosting och bygg toppmoderna maskininlärningsmodeller med XGBoost för att lösa klassificerings- och regressionsproblem.

Varför finjustera din modell?

Create Your Free Account