เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ฝึกโมเดล XGBoost

วิธีการ Machine Learning ทุกแบบมีโอกาสเกิด overfit ได้ทั้งนั้น ตัวอย่างนี้จะแสดงให้เห็นปรากฏการณ์ดังกล่าวกับ XGBoost โดยยังคงใช้งานกับ Store Item Demand Forecasting Challenge เช่นเดิม โดย DataFrame ชื่อ train พร้อมใช้งานในพื้นที่ทำงานของคุณแล้ว

ขั้นแรก มาฝึกโมเดล XGBoost หลายโมเดลที่มีชุด hyperparameter ต่างกัน โดยใช้ learning API ของ XGBoost ค่า hyperparameter ที่จะเปลี่ยนมีเพียงค่าเดียวคือ:

  • max_depth - ความลึกสูงสุดของต้นไม้ การเพิ่มค่านี้จะทำให้โมเดลมีความซับซ้อนมากขึ้น และมีแนวโน้มที่จะเกิด overfit ได้ง่ายขึ้น

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การแข่งขัน Kaggle ด้วย Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

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)
แก้ไขและรันโค้ด