Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
课程大纲
介绍
- 人工神经网络与基于决策树的算法
XGBoost 功能概述
- 梯度提升算法的元素
- 专注于计算速度和模型性能
- XGBoost 与逻辑回归、Random Forest 和标准梯度提升
基于树的算法的演变
- 决策树、装袋、Random Forest、提升、梯度提升
- 系统优化
- 算法增强
准备环境
- 安装 SciPy 和 scikit-learn
创建 XGBoost 模型
- 下载数据集
- 解决常见的分类问题
- 训练 XGBoost 模型进行分类
- 解决常见的回归任务
监控性能
- 评估和报告绩效
- 提早停止
按重要性绘制要素
- 计算特征重要性
- 决定保留或放弃哪些输入变量
配置梯度提升
- 查看训练和验证数据集的学习曲线
- 调整学习率
- 调整树的数量
超参数调优
- 提高 XGBoost 模型的性能
- 设计一个对照实验来调整超参数
- Search参数组合
创建流水线
- 将 XGBoost 模型合并到端到端机器学习管道中
- 优化管道中的超参数
- 先进的预处理技术
故障 排除
总结和结论
要求
- 具有编写机器学习模型的经验
观众
- 数据科学家
- 机器学习工程师
14 小时