XGBoost ile rastgele arama

Çoğu zaman GridSearchCV oldukça zaman alıcı olabilir; bu yüzden pratikte, bu egzersizde yapacağın gibi, onun yerine RandomizedSearchCV kullanmak isteyebilirsin. Güzel haber şu ki RandomizedSearchCV kullanmak için GridSearchCV kodunda sadece birkaç küçük değişiklik yapman yeterli. Temel fark, param_grid yerine param_distributions parametresini belirtmen gerekmesidir.

Bu egzersiz

XGBoost ile Aşırı Gradyan Artırma

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

'n_estimators' için tek bir değer (25) içeren bir liste ve 'max_depth' için 2 ile 11 arasındaki değerleri içeren bir liste barındıran gbm_param_grid adlı bir parametre ızgarası oluştur - bunun için range(2, 12) kullan.
param_distributions olarak parametre ızgarasını, estimator olarak XGBRegressor'ı, scoring olarak "neg_mean_squared_error"'ı, n_iter olarak 5'i ve cv olarak 4'ü alan randomized_mse adlı bir RandomizedSearchCV nesnesi oluştur. Ayrıca çıktıyı daha iyi anlayabilmek için verbose=1 belirt.
RandomizedSearchCV nesnesini X ve y üzerine fit et.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

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

# Instantiate the regressor: gbm
gbm = xgb.XGBRegressor(n_estimators=10)

# Perform random search: grid_mse
randomized_mse = ____


# Fit randomized_mse to the data
____

# Print the best parameters and lowest RMSE
print("Best parameters found: ", randomized_mse.best_params_)
print("Lowest RMSE found: ", np.sqrt(np.abs(randomized_mse.best_score_)))

Kodu Düzenle ve Çalıştır