เมื่อไหร่ที่การปรับจูนโมเดลไม่ใช่ความคิดที่ดี?

หลังจากที่ได้เห็นผลกระทบของการปรับจูนต่อประสิทธิภาพโดยรวมของโมเดล XGBoost แล้ว ลองมองในมุมกลับกัน — เมื่อพิจารณาว่าการปรับจูนโมเดลอาจใช้เวลานานและมีความซับซ้อน สถานการณ์ใดต่อไปนี้ที่ไม่จำเป็นต้องปรับจูนโมเดลอย่างละเอียด?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Extreme Gradient Boosting with XGBoost

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Extreme Gradient Boosting with XGBoost

SkillTag.level.intermediateSkillTag.label

4.9+

เริ่มคอร์สฟรี

บทนี้จะแนะนำแนวคิดพื้นฐานของ XGBoost ซึ่งก็คือ boosted learners เมื่อเข้าใจหลักการทำงานของ XGBoost แล้ว จะนำไปประยุกต์ใช้กับปัญหา classification ที่พบได้ทั่วไปในอุตสาหกรรม ได้แก่ การทำนายว่าลูกค้าจะเลิกใช้บริการในอนาคตหรือไม่

Exercise 1: ยินดีต้อนรับสู่คอร์ส!Exercise 2: ข้อใดต่อไปนี้คือปัญหาการจำแนกประเภท?Exercise 3: ข้อใดต่อไปนี้เป็นปัญหาการจำแนกประเภทแบบ binary?Exercise 4: แนะนำ XGBoost Exercise 5: XGBoost: Fit/Predict Exercise 6: Decision tree คืออะไร?Exercise 7: Decision trees Exercise 8: Boosting คืออะไร?Exercise 9: การวัดความแม่นยำ Exercise 10: การวัดค่า AUC Exercise 11: ควรใช้ XGBoost เมื่อใด?Exercise 12: การใช้งาน XGBoost

หลังจากทบทวน supervised regression โดยย่อ จะนำ XGBoost มาใช้กับงาน regression สำหรับการทำนายราคาบ้านในเมือง Ames รัฐไอโอวา นอกจากนี้ยังจะได้เรียนรู้เกี่ยวกับ base learner 2 ประเภทที่ XGBoost ใช้เป็น weak learner รวมถึงวิธีประเมินคุณภาพของโมเดล regression

Exercise 1: ทบทวน Regression Exercise 2: ข้อใดเป็นโจทย์ regression?Exercise 3: ฟังก์ชันวัตถุประสงค์ (loss) และ base learners Exercise 4: Decision trees ในฐานะ base learners Exercise 5: Linear base learners Exercise 6: การประเมินคุณภาพโมเดล Exercise 7: การ Regularization และ Base Learner ใน XGBoost Exercise 8: การใช้ Regularization ใน XGBoost Exercise 9: การแสดงผลต้นไม้ XGBoost แต่ละต้น Exercise 10: การแสดงภาพความสำคัญของ feature: feature ใดสำคัญที่สุดในชุดข้อมูลของเรา

บทนี้จะสอนวิธีปรับแต่งโมเดล XGBoost ให้มีประสิทธิภาพสูงสุด จะได้เรียนรู้เกี่ยวกับพารามิเตอร์หลากหลายตัวที่ปรับเปลี่ยนได้เพื่อควบคุมพฤติกรรมของ XGBoost และวิธี tuning ที่มีประสิทธิภาพ เพื่อยกระดับประสิทธิภาพของโมเดลให้ถึงขีดสุด

Exercise 1: ทำไมต้องปรับจูนโมเดล?Exercise 2: เมื่อไหร่ที่การปรับจูนโมเดลไม่ใช่ความคิดที่ดี?

แบบฝึกหัดปัจจุบัน

Exercise 3: การปรับจำนวน Boosting Rounds Exercise 4: การเลือกจำนวน Boosting Round อัตโนมัติด้วย early_stopping Exercise 5: ภาพรวม Hyperparameter ของ XGBoost Exercise 6: การปรับค่า eta Exercise 7: การปรับแต่ง max_depth Exercise 8: การปรับค่า colsample_bytree Exercise 9: ทบทวน Grid Search และ Random Search Exercise 10: Grid search กับ XGBoost Exercise 11: Random search ด้วย XGBoost Exercise 12: ข้อจำกัดของ grid search และ random search Exercise 13: ควรใช้ Grid Search และ Random Search เมื่อใด?

ต่อยอดทักษะ XGBoost โดยนำโมเดลไปรวมไว้ใน machine learning pipeline แบบครบวงจรถึง 2 แบบ จะได้เรียนรู้วิธี tuning hyperparameter ที่สำคัญของ XGBoost อย่างมีประสิทธิภาพภายใน pipeline พร้อมทำความรู้จักเทคนิค preprocessing ขั้นสูงเพิ่มเติม

Exercise 1: ทบทวน Pipeline ด้วย sklearn Exercise 2: การวิเคราะห์ข้อมูลเบื้องต้น Exercise 3: การเข้ารหัสคอลัมน์ประเภท Categorical I: LabelEncoder Exercise 4: การเข้ารหัสคอลัมน์ประเภท Categorical II: OneHotEncoder Exercise 5: การเข้ารหัสคอลัมน์ categorical ขั้นที่ 3: DictVectorizer Exercise 6: การประมวลผลข้อมูลภายใน Pipeline Exercise 7: การนำ XGBoost เข้าสู่ไปป์ไลน์Exercise 8: Cross-validate โมเดล XGBoost Exercise 9: กรณีศึกษาโรคไต I: Categorical Imputer Exercise 10: กรณีศึกษาโรคไต II: Feature Union Exercise 11: กรณีศึกษาโรคไต III: Pipeline แบบครบวงจร Exercise 12: การปรับจูน Hyperparameter ของ XGBoost Exercise 13: รวมทุกอย่างเข้าด้วยกัน Exercise 14: ความคิดสุดท้าย