大佬教程收集整理的这篇文章主要介绍了了解python xgboost cv,大佬教程大佬觉得挺不错的,现在分享给大家,也给大家做个参考。
交叉验证用于估计一组参数在看不见的数据上的性能。
网格搜索评估具有不同参数的模型,以找到这些参数的最佳组合。
sklearn文档讨论了很多有关CV的信息,可以将它们组合使用,但它们的用途却截然不同。
您也许可以将xgboost放入sklearn的grIDsearch功能中。签出xgboost的sklearn界面以获得最流畅的应用程序。
我想使用Xgboost
cv函数为我的训练数据集找到最佳参数。我对api感到困惑。如何找到最佳参数?这类似于sklearngrid_search
交叉验证功能吗?如何找到@H_931_16@max_depth确定参数([2,4,6])的哪个选项最佳?
from sklearn.datasets import load_iris
import xgboost as xgb
iris = load_iris()
DTrain = xgb.DMatrix(iris.data,iris.target)
x_parameters = {"max_depth":[2,6]}
xgb.cv(x_parameters,DTrain)
...
Out[6]:
test-rmse-mean test-rmse-std Train-rmse-mean Train-rmse-std
0 0.888435 0.059403 0.888052 0.022942
1 0.854170 0.053118 0.851958 0.017982
2 0.837200 0.046986 0.833532 0.015613
3 0.829001 0.041960 0.824270 0.014501
4 0.825132 0.038176 0.819654 0.013975
5 0.823357 0.035454 0.817363 0.013722
6 0.822580 0.033540 0.816229 0.013598
7 0.822265 0.032209 0.815667 0.013538
8 0.822158 0.031287 0.815390 0.013508
9 0.822140 0.030647 0.815252 0.013494
以上是大佬教程为你收集整理的了解python xgboost cv全部内容,希望文章能够帮你解决了解python xgboost cv所遇到的程序开发问题。
如果觉得大佬教程网站内容还不错,欢迎将大佬教程推荐给程序员好友。
本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ:384754419,请注明来意。