使用 XGBoost 進行隨機搜尋

GridSearchCV 往往非常耗時，因此在實務上，你可能會改用 RandomizedSearchCV，就像你在本練習要做的事。好消息是，你只需要在 GridSearchCV 的程式碼上做一點修改就能改用 RandomizedSearchCV。關鍵差異在於，你需要指定 param_distributions 參數，而不是 param_grid 參數。

本練習屬於課程

使用 XGBoost 的極端梯度提升

檢視課程

練習說明

建立名為 gbm_param_grid 的參數網格，內容包含：'n_estimators' 的單一值清單（25），以及 'max_depth' 的值清單，範圍介於 2 到 11——請使用 range(2, 12)。
建立名為 randomized_mse 的 RandomizedSearchCV 物件，並傳入：將參數網格指定到 param_distributions、將 XGBRegressor 指定到 estimator、將 "neg_mean_squared_error" 指定到 scoring、5 指定到 n_iter，以及 4 指定到 cv。另外設定 verbose=1，以便更清楚地理解輸出。
將 RandomizedSearchCV 物件擬合到 X 與 y。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

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

# Instantiate the regressor: gbm
gbm = xgb.XGBRegressor(n_estimators=10)

# Perform random search: grid_mse
randomized_mse = ____


# Fit randomized_mse to the data
____

# Print the best parameters and lowest RMSE
print("Best parameters found: ", randomized_mse.best_params_)
print("Lowest RMSE found: ", np.sqrt(np.abs(randomized_mse.best_score_)))

編輯並執行程式碼