Allt på plats

Nu är det dags att samla allt du lärt dig! I den här avslutande övningen kombinerar du arbetet från tidigare övningar till en komplett XGBoost-pipeline från start till slut – för att verkligen befästa din förståelse av förbehandling och pipelines i XGBoost.

Ditt arbete från de 3 föregående övningarna, där du förbehandlade datan och konfigurerade din pipeline, är redan inläst. Din uppgift är att utföra en slumpmässig sökning och identifiera de bästa hyperparametrarna.

Den här övningen är en del av kursen

Extreme Gradient Boosting med XGBoost

Visa kurs

Övningsinstruktioner

Konfigurera parameterrutnätet för att justera 'clf__learning_rate' (från 0.05 till 1 i steg om 0.05), 'clf__max_depth' (från 3 till 10 i steg om 1) och 'clf__n_estimators' (från 50 till 200 i steg om 50).
Använd din pipeline som estimator och utför RandomizedSearchCV med 2-faldig korsvalidering och ett n_iter-värde på 2. Använd "roc_auc" som mätvärde och sätt verbose till 1 för mer detaljerad utdata. Spara resultatet i randomized_roc_auc.
Anpassa randomized_roc_auc till X och y.
Beräkna bästa poäng och bästa estimator för randomized_roc_auc.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

Redigera och kör kod