Редактирование: XGBoost

Перейти к: навигация, поиск

Внимание! Вы не авторизовались на сайте. Ваш IP-адрес будет публично видимым, если вы будете вносить любые правки. Если вы войдёте или создадите учётную запись, правки вместо этого будут связаны с вашим именем пользователя, а также у вас появятся другие преимущества.

Правка может быть отменена. Пожалуйста, просмотрите сравнение версий, чтобы убедиться, что это именно те изменения, которые вас интересуют, и нажмите «Записать страницу», чтобы изменения вступили в силу.
Текущая версия Ваш текст
Строка 87: Строка 87:
 
==Пример использования с помощью библиотеки xgboost==
 
==Пример использования с помощью библиотеки xgboost==
 
Загрузка датасета.
 
Загрузка датасета.
  '''from''' sklearn '''import''' datasets
+
  from sklearn import datasets
  iris = datasets.'''load_iris'''()
+
  iris = datasets.load_iris()
  X = iris.'''data'''
+
  X = iris.data
  y = iris.'''target'''
+
  y = iris.target
  
 
Разделение датасета на обучающую/тестовую выборку.
 
Разделение датасета на обучающую/тестовую выборку.
  '''from''' sklearn.cross_validation '''import''' train_test_split
+
  from sklearn.cross_validation import train_test_split
  X_train, X_test, y_train, y_test = '''train_test_split'''(X, y, test_size=0.2, random_state=42)
+
  X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
  
 
Импорт ''XGBoost'' и создание необходимых объектов.
 
Импорт ''XGBoost'' и создание необходимых объектов.
  '''import''' xgboost as xgb
+
  import xgboost as xgb
  dtrain = xgb.'''DMatrix'''(X_train, label=y_train)
+
  dtrain = xgb.DMatrix(X_train, label=y_train)
  dtest = xgb.'''DMatrix'''(X_test, label=y_test)
+
  dtest = xgb.DMatrix(X_test, label=y_test)
  
 
Задание параметров модели.
 
Задание параметров модели.
Строка 111: Строка 111:
  
 
Обучение.
 
Обучение.
  bst = xgb.'''train'''(param, dtrain, num_round)
+
  bst = xgb.train(param, dtrain, num_round)
  preds = bst.'''predict'''(dtest)
+
  preds = bst.predict(dtest)
  
 
Определение качества модели на тестовой выборке.
 
Определение качества модели на тестовой выборке.
  '''import''' numpy '''as''' np
+
  import numpy as np
  '''from''' sklearn.metrics '''import''' precision_score
+
  from sklearn.metrics import precision_score
 
  best_preds = np.asarray([np.argmax(line) for line in preds])
 
  best_preds = np.asarray([np.argmax(line) for line in preds])
  '''print''' precision_score(y_test, best_preds, average='macro')
+
  print precision_score(y_test, best_preds, average='macro')
  
 
==См. также==
 
==См. также==

Пожалуйста, учтите, что любой ваш вклад в проект «Викиконспекты» может быть отредактирован или удалён другими участниками. Если вы не хотите, чтобы кто-либо изменял ваши тексты, не помещайте их сюда.
Вы также подтверждаете, что являетесь автором вносимых дополнений, или скопировали их из источника, допускающего свободное распространение и изменение своего содержимого (см. Викиконспекты:Авторские права). НЕ РАЗМЕЩАЙТЕ БЕЗ РАЗРЕШЕНИЯ ОХРАНЯЕМЫЕ АВТОРСКИМ ПРАВОМ МАТЕРИАЛЫ!

Чтобы изменить эту страницу, пожалуйста, ответьте на приведённый ниже вопрос (подробнее):

Отменить | Справка по редактированию (в новом окне)

Шаблон, используемый на этой странице: