XGBoost modellerini eğit
Her Machine Learning yöntemi potansiyel olarak aşırı uyuma yol açabilir. Bunu XGBoost ile olan bu örnekte göreceksin. Yine Store Item Demand Forecasting Challenge üzerinde çalışıyorsun. train DataFrame'i çalışma alanında hazır.
Önce, XGBoost'un öğrenme API'sini kullanarak farklı hiperparametre setleriyle birden çok XGBoost modeli eğitelim. Değiştireceğin tek hiperparametre:
max_depth- bir ağacın maksimum derinliği. Bu değeri artırmak modeli daha karmaşık hale getirir ve aşırı uyum riskini yükseltir.
Bu egzersiz, kursun bir parçasıdır
Python ile Bir Kaggle Yarışmasını Kazanmak
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
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)