1. Learn
    2. /
  2. Курси
    3. /
  3. Ансамблеві методи в Python
Connected

Вправа

Змагання в boosting: Light vs Extreme

Хоча модель CatBoost показує досить гарні результати, спробуймо ще два різновиди boosting і подивімося, який спрацює краще: підхід «Light» чи «Extreme».

CatBoost особливо рекомендований, коли є категоріальні ознаки. У нашому випадку всі ознаки числові, тож один з інших підходів може дати кращі результати.

Оскільки ми будуємо регресори, використаємо додатковий параметр objective, який визначає функцію навчання. Щоб застосувати квадратичну помилку, задайте objective як 'reg:squarederror' для XGBoost і 'mean_squared_error' для LightGBM.

Крім того, вкажемо параметр n_jobs для XGBoost, щоб пришвидшити обчислення.

УВАГА: не використовуйте класифікатори, інакше ваша сесія може завершитися!

Інструкції

100 XP
  • Створіть XGBRegressor з параметрами: max_depth = 3, learning_rate = 0.1, n_estimators = 100 та n_jobs=2.
  • Створіть LGBMRegressor з параметрами: max_depth = 3, learning_rate = 0.1 і n_estimators = 100.