Contenu du cours

Apprentissage Ensembliste

1. Principes de Base de la Construction de Modèles d'Ensemble

Qu'est-ce Qu'un Ensemble de Modèles ?Modèles de Bagging Modèles de Boosting Empilement de Modèles

2. Modèles de Bagging Couramment Utilisés

Classificateur de Bagging Défi : Résoudre la Tâche en Utilisant le Classificateur de Bagging Régression par Ensachage Défi : Résoudre la Tâche en Utilisant le Régressseur de Bagging Forêt Aléatoire Défi : Déterminer l'Importance des Caractéristiques en Utilisant la Forêt Random Arbres Supplémentaires

3. Modèles de Boosting Couramment Utilisés

Classificateur AdaBoost Défi : Résoudre la Tâche en Utilisant le Classificateur AdaBoost Défi : Résoudre la Tâche en Utilisant AdaBoost Regressor Amélioration du Gradient XGBoost Défi : Résoudre la Tâche en Utilisant XGBoost

4. Modèles de Stacking Couramment Utilisés

Classificateur d'Empilement Défi : Résoudre la Tâche en Utilisant un Classificateur de Stacking Défi : Résoudre la Tâche en Utilisant un Stacking Regressor Utilisation des Ensembles comme Modèles de Base Résumé du Cours

Défi : Résoudre la Tâche en Utilisant XGBoost

Tâche

Swipe to start coding

Le jeu de données "Credit Scoring" est couramment utilisé pour l'analyse du risque de crédit et les tâches de classification binaire. Il contient des informations sur les clients et leurs demandes de crédit, dans le but de prédire si la demande de crédit d'un client aboutira à un bon ou un mauvais résultat de crédit.

Votre tâche est de résoudre la tâche de classification sur le jeu de données "Credit Scoring" :

Créez des objets Dmatrix en utilisant les données d'entraînement et de test. Spécifiez l'argument enable_categorical pour utiliser les caractéristiques catégorielles.
Entraînez le modèle XGBoost en utilisant l'objet DMatrix d'entraînement.
Réglez le seuil de séparation à 0.5 pour une détection correcte des classes.

Note

Le paramètre 'objective': 'binary:logistic' signifie que nous utiliserons la perte logistique (également connue sous le nom de perte d'entropie croisée binaire) comme fonction objective lors de l'entraînement du modèle XGBoost.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 3. Chapitre 6

Défi : Résoudre la Tâche en Utilisant XGBoost

Tâche

Swipe to start coding

Votre tâche est de résoudre la tâche de classification sur le jeu de données "Credit Scoring" :

Créez des objets Dmatrix en utilisant les données d'entraînement et de test. Spécifiez l'argument enable_categorical pour utiliser les caractéristiques catégorielles.
Entraînez le modèle XGBoost en utilisant l'objet DMatrix d'entraînement.
Réglez le seuil de séparation à 0.5 pour une détection correcte des classes.

Note

Le paramètre 'objective': 'binary:logistic' signifie que nous utiliserons la perte logistique (également connue sous le nom de perte d'entropie croisée binaire) comme fonction objective lors de l'entraînement du modèle XGBoost.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 3. Chapitre 6

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous