Tổng hợp mọi thứ

Đến lúc tổng hợp tất cả những gì bạn đã học! Ở bài tập cuối cùng của khóa học này, bạn sẽ kết hợp phần việc từ các bài trước thành một pipeline XGBoost end-to-end để củng cố hiểu biết về tiền xử lý và pipelines trong XGBoost.

Phần tiền xử lý dữ liệu và thiết lập pipeline từ 3 bài tập trước đã được nạp sẵn. Nhiệm vụ của bạn là thực hiện randomized search và xác định các siêu tham số (hyperparameters) tốt nhất.

Bài tập này là một phần của khóa học

Gradient Boosting Cực Mạnh với XGBoost

Xem khóa học

Hướng dẫn bài tập

Thiết lập lưới tham số để tinh chỉnh 'clf__learning_rate' (từ 0.05 đến 1 với bước 0.05), 'clf__max_depth' (từ 3 đến 10 với bước 1), và 'clf__n_estimators' (từ 50 đến 200 với bước 50).
Dùng pipeline làm estimator, thực hiện RandomizedSearchCV 2-fold với n_iter bằng 2. Dùng "roc_auc" làm thước đo, và đặt verbose là 1 để đầu ra chi tiết hơn. Lưu kết quả vào randomized_roc_auc.
Fit randomized_roc_auc với X và y.
Tính điểm số tốt nhất và mô hình tốt nhất của randomized_roc_auc.

Bài tập tương tác thực hành trực tiếp

Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

Chỉnh sửa và Chạy Mã