Hepsini bir araya getirme

Harika, şimdiye kadar öğrendiklerini bir araya getirme zamanı! Kursun bu son egzersizinde, önceki egzersizlerde yaptıklarını tek bir uçtan uca XGBoost veri hattında (pipeline) birleştirerek XGBoost'ta önişleme ve veri hatlarını gerçekten pekiştireceksin.

Veriyi önişlediğin ve veri hattını kurduğun önceki 3 egzersizdeki çalışman önceden yüklendi. Senin görevin rastgele arama (randomized search) yaparak en iyi hiperparametreleri belirlemek.

Bu egzersiz

XGBoost ile Aşırı Gradyan Artırma

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Parametre ızgarasını, 'clf__learning_rate' (artışları 0.05 olacak şekilde 0.05'ten 1'e), 'clf__max_depth' (artışları 1 olacak şekilde 3'ten 10'a) ve 'clf__n_estimators' (artışları 50 olacak şekilde 50'den 200'e) ayarlayacak biçimde kur.
Tahminleyici olarak pipeline kullanarak, n_iter değeri 2 olan 2 katlı (cv=2) RandomizedSearchCV uygula. Metrik olarak "roc_auc" kullan ve çıktının daha ayrıntılı olması için verbose değerini 1 yap. Sonucu randomized_roc_auc içinde sakla.
randomized_roc_auc öğesini X ve y'ye uydur.
randomized_roc_auc için en iyi skoru ve en iyi tahminleyiciyi hesapla.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

Kodu Düzenle ve Çalıştır