Lewati ke konten utama

Kursus

Extreme Gradient Boosting dengan XGBoost

MenengahTingkat Keterampilan

Diperbarui 03/2026

Pelajari dasar-dasar gradient boosting dan bangun model machine learning terkini menggunakan XGBoost untuk menyelesaikan masalah klasifikasi dan regresi.

Mulai Kursus Gratis

PythonMachine Learning

4 jam

16 videos

49 Latihan

3,750 XP

60,758

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Apakah Anda memahami dasar-dasar supervised learning dan ingin menggunakan model mutakhir pada himpunan data dunia nyata? Gradient boosting saat ini merupakan salah satu teknik paling populer untuk pemodelan efisien pada himpunan data tabular dari berbagai ukuran. XGBoost adalah implementasi gradient boosting yang sangat cepat dan dapat diskalakan, dengan model berbasis XGBoost yang secara rutin memenangkan kompetisi data science daring dan digunakan secara luas di berbagai industri. Dalam kursus ini, Anda akan mempelajari cara menggunakan library yang kuat ini bersama pandas dan scikit-learn untuk membangun dan menyetel model supervised learning. Anda akan bekerja dengan himpunan data dunia nyata untuk menyelesaikan masalah klasifikasi dan regresi.

Persyaratan

Supervised Learning with scikit-learn

1

Klasifikasi dengan XGBoost

Bab ini akan memperkenalkan Anda pada gagasan mendasar di balik XGBoost—boosted learners. Setelah memahami cara kerja XGBoost, Anda akan menerapkannya untuk menyelesaikan masalah klasifikasi umum di industri: memprediksi apakah seorang pelanggan akan berhenti menjadi pelanggan pada suatu waktu di masa depan.

Selamat datang di kursus ini!

Manakah dari berikut ini yang merupakan masalah klasifikasi?

Manakah dari berikut ini yang merupakan masalah klasifikasi biner?

Mengenal XGBoost

XGBoost: Fit/Predict

Apa itu pohon keputusan?

Pohon keputusan

Apa itu Boosting?

Mengukur akurasi

Mengukur AUC

Kapan saya sebaiknya menggunakan XGBoost?

Menggunakan XGBoost

2

Regresi dengan XGBoost

Setelah tinjauan singkat tentang regresi terawasi, Anda akan menerapkan XGBoost pada tugas regresi untuk memprediksi harga rumah di Ames, Iowa. Anda akan mempelajari dua jenis base learner yang dapat digunakan XGBoost sebagai weak learner, dan meninjau cara mengevaluasi kualitas model regresi Anda.

Tinjauan regresi

Manakah dari berikut ini yang merupakan masalah regresi?

Fungsi objektif (loss) dan base learner

Pohon keputusan sebagai base learner

Pemelajar dasar linear

Mengevaluasi kualitas model

Regularisasi dan pembelajar dasar di XGBoost

Menggunakan regularisasi di XGBoost

Memvisualisasikan pohon XGBoost secara individual

Memvisualisasikan kepentingan fitur: Fitur apa yang paling penting dalam himpunan data saya

3

Penyetelan model XGBoost Anda

Bab ini akan mengajarkan Anda cara memaksimalkan kinerja model XGBoost Anda. Anda akan mempelajari beragam parameter yang dapat disesuaikan untuk mengubah perilaku XGBoost dan cara menyetelnya secara efisien agar Anda dapat meningkatkan performa model secara signifikan.

Mengapa perlu menyetel model Anda?

Kapan menyetel model Anda bukan ide yang baik?

Menyetel jumlah boosting rounds

Pemilihan jumlah boosting secara otomatis dengan early_stopping

Gambaran umum hyperparameter XGBoost

Menyetel eta

Menyetel max_depth

Men-tuning colsample_bytree

Tinjauan grid search dan random search

Grid search dengan XGBoost

Pencarian acak dengan XGBoost

Batasan grid search dan random search

Kapan sebaiknya Anda menggunakan grid search dan random search?

4

Menggunakan XGBoost dalam pipeline

Tingkatkan keterampilan XGBoost Anda dengan memasukkan model Anda ke dalam dua pipeline Machine Learning ujung-ke-ujung. Anda akan mempelajari cara menyetel hyperparameter XGBoost yang paling penting secara efisien di dalam pipeline, dan mendapatkan pengenalan terhadap beberapa teknik prapemrosesan lanjutan.

Tinjauan pipeline menggunakan sklearn

Analisis data eksploratori

Mengodekan kolom kategorikal I: LabelEncoder

Pengodean kolom kategorikal II: OneHotEncoder

Menyandikan kolom kategorikal III: DictVectorizer

Prapemrosesan di dalam pipeline

Mengintegrasikan XGBoost ke dalam pipeline

Validasi silang model XGBoost Anda

Studi kasus penyakit ginjal I: Categorical Imputer

Studi kasus penyakit ginjal II: Feature Union

Studi kasus penyakit ginjal III: Pipeline lengkap

Mengatur hyperparameter XGBoost

Menggabungkan semuanya

Pemikiran Akhir

Extreme Gradient Boosting dengan XGBoost

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Extreme Gradient Boosting dengan XGBoost Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.