Thank you for sending your enquiry! One of our team member will contact you shortly.
Thank you for sending your booking! One of our team member will contact you shortly.
コース概要
導入
- 人工ニューラル ネットワーク vs デシジョン ツリー ベースのアルゴリズム
XGBoost 機能の概要
- Gradient Boosting アルゴリズムの Element
- 計算速度とモデルのパフォーマンスに重点を置く
- XGBoost とロジスティック回帰、Random Forest、および標準の勾配ブースティング
ツリーベースのアルゴリズムの進化
- デシジョン ツリー、バギング、Random Forest、ブースティング、勾配ブースティング
- システムの最適化
- アルゴリズムの強化
環境を整える
- SciPy と scikit-learn のインストール
XGBoost モデルの作成
- データセットのダウンロード
- 一般的な分類問題を解決する
- XGBoost モデルを分類用にトレーニングする
- 一般的な回帰タスクを解決する
パフォーマンスの監視
- パフォーマンスの評価と報告
- 早期停止
重要度ごとに特徴をプロットする
- 特徴量の重要度の計算
- どの入力変数を保持するか破棄するかを決定する
勾配ブースティングの構成
- トレーニングおよび検証データセットの学習曲線を確認する
- 学習率の調整
- 木の数を調整する
ハイパーパラメータの調整
- XGBoost モデルのパフォーマンスの向上
- ハイパーパラメータを調整するための制御された実験を設計する
- Searchパラメータの組み合わせ
パイプラインの作成
- XGBoost モデルをエンドツーエンドの機械学習パイプラインに組み込む
- パイプライン内のハイパーパラメータの調整
- 高度な前処理技術
トラブルシューティング
要約と結論
要求
- 機械学習モデルの作成経験
観客
- データサイエンティスト 機械学習エンジニア
14 時間