1. Aprende
    2. /
  2. Cursos
    3. /
  3. Екстремальний градієнтний бустинг з XGBoost
Connected

Ejercicio

Тюнінг eta

Час попрактикуватися в налаштуванні інших гіперпараметрів XGBoost і подивитися, як це впливає на якість моделі! Ви почнете з налаштування "eta", також відомого як швидкість навчання (learning rate).

Швидкість навчання в XGBoost — це параметр у діапазоні від 0 до 1: що більше значення "eta", то сильніше штрафуються ваги ознак, тобто регуляризація стає жорсткішою.

Instrucciones

100 XP
  • Створіть список eta_vals, у якому збережіть такі значення "eta": 0.001, 0.01 і 0.1.
  • Проітерайтеся списком eta_vals за допомогою циклу for.
  • У кожній ітерації циклу for встановіть ключ "eta" у params рівним curr_val. Потім виконайте 3-кратну перехресну перевірку з достроковою зупинкою (5 раундів), 10 раундами бустингу, метрикою "rmse" і seed рівним 123. Переконайтеся, що результат — це DataFrame.
  • Додайте значення RMSE з фінального раунду до списку best_rmse.