Weiter zum Inhalt

Startseite Python

Kurs

Extreme Gradient Boosting mit XGBoost

MittelSchwierigkeitsgrad

Aktualisiert 03/2026

Kurs kostenlos starten

PythonMachine Learning

4 Std.

16 Videos

49 Übungen

3,750 XP

60,730

Leistungsnachweis

Beliebt bei Lernenden in Tausenden Unternehmen

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Du kennst die Grundlagen des überwachten Lernens und möchtest modernste Modelle auf realen Datensätzen einsetzen? Gradient Boosting ist derzeit eine der beliebtesten Techniken, um tabellarische Datensätze jeder Größe effizient zu modellieren. XGBoost ist eine sehr schnelle, skalierbare Implementierung von Gradient Boosting. Modelle mit XGBoost gewinnen regelmäßig Online-Data-Science-Wettbewerbe und werden branchenweit in großem Maßstab eingesetzt. In diesem Kurs lernst du, wie du diese leistungsstarke Bibliothek zusammen mit pandas und scikit-learn nutzt, um überwachte Lernmodelle zu erstellen und zu optimieren. Du arbeitest mit realen Datensätzen, um Klassifikations- und Regressionsaufgaben zu lösen.

Voraussetzungen

Supervised Learning with scikit-learn

1

Classification with XGBoost

This chapter will introduce you to the fundamental idea behind XGBoost—boosted learners. Once you understand how XGBoost works, you'll apply it to solve a common classification problem found in industry: predicting whether a customer will stop being a customer at some point in the future.

Welcome to the course!

Which of these is a classification problem?

Which of these is a binary classification problem?

Introducing XGBoost

XGBoost: Fit/Predict

What is a decision tree?

Decision trees

What is Boosting?

Measuring accuracy

Measuring AUC

When should I use XGBoost?

Using XGBoost

Kapitel starten

2

Regression with XGBoost

After a brief review of supervised regression, you'll apply XGBoost to the regression task of predicting house prices in Ames, Iowa. You'll learn about the two kinds of base learners that XGboost can use as its weak learners, and review how to evaluate the quality of your regression models.

Regression review

Which of these is a regression problem?

Objective (loss) functions and base learners

Decision trees as base learners

Linear base learners

Evaluating model quality

Regularization and base learners in XGBoost

Using regularization in XGBoost

Visualizing individual XGBoost trees

Visualizing feature importances: What features are most important in my dataset

Kapitel starten

3

Fine-tuning your XGBoost model

This chapter will teach you how to make your XGBoost models as performant as possible. You'll learn about the variety of parameters that can be adjusted to alter the behavior of XGBoost and how to tune them efficiently so that you can supercharge the performance of your models.

Why tune your model?

When is tuning your model a bad idea?

Tuning the number of boosting rounds

Automated boosting round selection using early_stopping

Overview of XGBoost's hyperparameters

Tuning max_depth

Tuning colsample_bytree

Review of grid search and random search

Grid search with XGBoost

Random search with XGBoost

Limits of grid search and random search

When should you use grid search and random search?

Kapitel starten

4

Using XGBoost in pipelines

Take your XGBoost skills to the next level by incorporating your models into two end-to-end machine learning pipelines. You'll learn how to tune the most important XGBoost hyperparameters efficiently within a pipeline, and get an introduction to some more advanced preprocessing techniques.

Review of pipelines using sklearn

Exploratory data analysis

Encoding categorical columns I: LabelEncoder

Encoding categorical columns II: OneHotEncoder

Encoding categorical columns III: DictVectorizer

Preprocessing within a pipeline

Incorporating XGBoost into pipelines

Cross-validating your XGBoost model

Kidney disease case study I: Categorical Imputer

Kidney disease case study II: Feature Union

Kidney disease case study III: Full pipeline

Tuning XGBoost hyperparameters

Bringing it all together

Final Thoughts

Kapitel starten

Extreme Gradient Boosting mit XGBoost

Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

Schließe dich 19 Millionen Lernenden an und starte Extreme Gradient Boosting mit XGBoost heute!

DataCamp gibt es auch für Mobilgeräte

Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.