Зводимо все докупи

Гаразд, час об'єднати все, що ви засвоїли! У цій фінальній вправі курсу ви поєднаєте напрацювання з попередніх вправ в один наскрізний конвеєр XGBoost, щоб остаточно закріпити розуміння попередньої обробки та конвеєрів у XGBoost.

Ваші результати з попередніх 3 вправ, де ви виконували попередню обробку даних і налаштовували конвеєр, уже завантажено. Ваше завдання — виконати випадковий пошук і визначити найкращі гіперпараметри.

Ця вправа є частиною курсу

Екстремальний градієнтний бустинг з XGBoost

Переглянути курс

Інструкції до вправи

Налаштуйте сітку параметрів для тюнінгу 'clf__learning_rate' (від 0.05 до 1 з кроком 0.05), 'clf__max_depth' (від 3 до 10 з кроком 1) і 'clf__n_estimators' (від 50 до 200 з кроком 50).
Використовуючи ваш pipeline як оцінювач, виконайте 2-фолд RandomizedSearchCV з n_iter дорівнює 2. Використайте "roc_auc" як метрику та встановіть verbose у 1, щоб отримати детальніший вивід. Збережіть результат у randomized_roc_auc.
Навчіть randomized_roc_auc на X і y.
Обчисліть найкращу оцінку та найкращий оцінювач для randomized_roc_auc.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

Редагувати та запускати код