Träna XGBoost-modeller

Alla maskininlärningsmetoder riskerar att överanpassa. Det ska du få se i det här exemplet med XGBoost. Du arbetar fortfarande med Store Item Demand Forecasting Challenge. DataFrame:en train finns tillgänglig i din arbetsyta.

Låt oss börja med att träna flera XGBoost-modeller med olika hyperparametervärden via XGBoost:s inlärnings-API. Den enda hyperparameter du ändrar är:

max_depth – trädets maximala djup. Ett högre värde gör modellen mer komplex och ökar risken för överanpassning.

Den här övningen är en del av kursen

Vinna en Kaggle-tävling i Python

Visa kurs

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

import xgboost as xgb

# Create DMatrix on train data
dtrain = xgb.DMatrix(data=train[['store', 'item']],
                     label=train['sales'])

# Define xgboost parameters
params = {'objective': 'reg:squarederror',
          '____': ____,
          'verbosity': 0}

# Train xgboost model
xg_depth_2 = xgb.train(params=params, dtrain=dtrain)

Redigera och kör kod