เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

รวมทุกอย่างเข้าด้วยกัน

ถึงเวลาแล้วที่จะนำทุกสิ่งที่เรียนมารวมเข้าด้วยกัน! ในแบบฝึกหัดสุดท้ายของคอร์สนี้ คุณจะนำผลงานจากแบบฝึกหัดก่อนหน้ามาประกอบเป็น XGBoost pipeline แบบครบวงจร เพื่อเสริมความเข้าใจเรื่องการ preprocessing และ pipeline ใน XGBoost ให้แน่นยิ่งขึ้น

โค้ดจากแบบฝึกหัด 3 ข้อก่อนหน้า ซึ่งครอบคลุมการ preprocess ข้อมูลและการตั้งค่า pipeline ได้ถูกโหลดไว้ให้แล้ว งานของคุณคือทำ randomized search เพื่อหา hyperparameter ที่ดีที่สุด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Extreme Gradient Boosting with XGBoost

ดูคอร์ส

คำแนะนำการฝึกหัด

  • ตั้งค่า parameter grid สำหรับปรับจูน 'clf__learning_rate' (ตั้งแต่ 0.05 ถึง 1 โดยเพิ่มทีละ 0.05), 'clf__max_depth' (ตั้งแต่ 3 ถึง 10 โดยเพิ่มทีละ 1) และ 'clf__n_estimators' (ตั้งแต่ 50 ถึง 200 โดยเพิ่มทีละ 50)
  • โดยใช้ pipeline เป็น estimator ให้ทำ RandomizedSearchCV แบบ 2-fold โดยกำหนด n_iter เป็น 2 ใช้ "roc_auc" เป็น metric และตั้งค่า verbose เป็น 1 เพื่อให้แสดงผลลัพธ์แบบละเอียด จากนั้นเก็บผลลัพธ์ไว้ในตัวแปร randomized_roc_auc
  • ฟิต randomized_roc_auc กับ X และ y
  • คำนวณค่าคะแนนที่ดีที่สุดและ estimator ที่ดีที่สุดของ randomized_roc_auc

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)
แก้ไขและรันโค้ด