详细内容或原文请订阅后点击阅览
7 个 XGBoost 技巧，实现更准确的预测模型
7 个 Python 技巧，可能有助于充分利用独立的 XGBoost 库，特别是在寻求更准确的预测模型方面。
来源:KDnuggets简介
像 XGBoost（极端梯度提升）这样的集成方法是梯度提升决策树的强大实现，可以将几个较弱的估计器聚合成一个强大的预测模型。这些集成由于其准确性、效率以及对结构化（表格）数据的强大性能而非常受欢迎。虽然广泛使用的机器学习库 scikit-learn 不提供 XGBoost 的本机实现，但有一个单独的库（恰当地称为 XGBoost），它提供与 scikit-learn 兼容的 API。
您需要做的就是按如下方式导入它：
来自 xgboost 导入 XGBClassifier
下面，我们概述了 7 个 Python 技巧，可以帮助您充分利用 XGBoost 的独立实现，特别是在旨在构建更准确的预测模型时。
为了说明这些技巧，我们将使用 scikit-learn 中免费提供的乳腺癌数据集，并使用大部分默认设置定义基线模型。在尝试以下七个技巧之前，请务必先运行此代码：
将 numpy 导入为 np
从 sklearn.datasets 导入 load_breast_cancer
从 sklearn.model_selection 导入 train_test_split，GridSearchCV