整合所学

好了，是时候把目前为止学到的内容整合起来了！在本课程的最后一个练习中，您将把前面练习的工作合并为一个端到端的 XGBoost 流水线，进一步加深对 XGBoost 中预处理与流水线的理解。

您在前 3 个练习中完成的数据预处理与流水线搭建已预先加载。您的任务是执行随机搜索并找出最佳超参数。

本练习是课程的一部分

使用 XGBoost 的极端梯度提升

查看课程

练习说明

设置参数网格，调优 'clf__learning_rate'（从 0.05 到 1，步长 0.05）、'clf__max_depth'（从 3 到 10，步长 1）以及 'clf__n_estimators'（从 50 到 200，步长 50）。
以您的 pipeline 作为估计器，执行 2 折的 RandomizedSearchCV，并将 n_iter 设为 2。使用 "roc_auc" 作为评估指标，将 verbose 设为 1 以获得更详细的输出。将结果存储在 randomized_roc_auc 中。
将 randomized_roc_auc 拟合到 X 和 y。
计算并获取 randomized_roc_auc 的最佳分数与最佳估计器。

交互式实操练习

通过完成这段示例代码来试试这个练习。

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

# Perform RandomizedSearchCV
randomized_roc_auc = ____

# Fit the estimator
____

# Compute metrics
print(____)
print(____)

编辑并运行代码