感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
感謝您的預訂!我們的團隊成員將會盡快與您取得聯繫。
課程簡介
介紹
- 人工神經網路與基於決策樹的演算法
XGBoost 功能概述
- 梯度提升演算法的元素
- 專注於計算速度和模型性能
- XGBoost 與邏輯回歸、Random Forest 和標準梯度提升
基於樹的演算法的演變
- 決策樹、裝袋、Random Forest、提升、梯度提升
- 系統優化
- 演算法增強
準備環境
- 安裝 SciPy 和 scikit-learn
創建 XGBoost 模型
- 下載數據集
- 解決常見的分類問題
- 訓練 XGBoost 模型進行分類
- 解決常見的回歸任務
監控性能
- 評估和報告績效
- 提早停止
按重要性繪製要素
- 計算特徵重要性
- 決定保留或放棄哪些輸入變數
配置梯度提升
- 查看訓練和驗證數據集的學習曲線
- 調整學習率
- 調整樹的數量
超參數調優
- 提高 XGBoost 模型的性能
- 設計一個對照實驗來調整超參數
- Search參數組合
創建流水線
- 將 XGBoost 模型合併到端到端機器學習管道中
- 優化管道中的超參數
- 先進的預處理技術
故障排除
總結和結論
最低要求
- 具有編寫機器學習模型的經驗
觀眾
- 數據科學家
- 機器學習工程師
14 時間: