Vai al contenuto principale

Corso

Extreme Gradient Boosting con XGBoost

IntermedioLivello di competenza

Aggiornato 03/2026

Impara le basi del gradient boosting e crea modelli di machine learning all'avanguardia usando XGBoost per risolvere problemi di classificazione e regressione.

Inizia il corso gratis

PythonMachine Learning

4 h

16 video

49 Esercizi

3,750 XP

60,758

Attestato di conseguimento

Preferito dagli studenti di migliaia di aziende

Formare un team?

Prova per il Business

Descrizione del corso

Conosci le basi del supervised learning e vuoi usare modelli all’avanguardia su insiemi di dati reali? Il gradient boosting è oggi una delle tecniche più popolari per modellare in modo efficiente insiemi di dati tabellari di qualsiasi dimensione. XGBoost è un’implementazione di gradient boosting molto veloce e scalabile: i modelli basati su XGBoost vincono regolarmente competizioni online di data science e sono usati su larga scala in vari settori. In questo corso imparerai a usare questa potente libreria insieme a pandas e scikit-learn per costruire e ottimizzare modelli di supervised learning. Lavorerai con insiemi di dati reali per risolvere problemi di classificazione e regressione.

Prerequisiti

Supervised Learning with scikit-learn

1

Classificazione con XGBoost

Questo capitolo ti introdurrà all’idea fondamentale alla base di XGBoost: i learner potenziati (boosted). Una volta capito come funziona XGBoost, lo applicherai per risolvere un comune problema di classificazione in ambito industriale: prevedere se un cliente smetterà di esserlo a un certo punto in futuro.

Benvenuto/a al corso!

Quale di questi è un problema di classificazione?

Quale di questi è un problema di classificazione binaria?

Introduzione a XGBoost

XGBoost: Fit/Predict

Che cos'è un albero decisionale?

Alberi decisionali

Che cos'è il Boosting?

Misurare l'accuratezza

Misurare l'AUC

Quando dovrei usare XGBoost?

Usare XGBoost

Inizia il capitolo

2

Regressione con XGBoost

Dopo un breve ripasso della regressione supervisionata, applicherai XGBoost al compito di regressione per prevedere i prezzi delle case ad Ames, Iowa. Imparerai i due tipi di base learner che XGBoost può usare come weak learner e ripasserai come valutare la qualità dei tuoi modelli di regressione.

Ripasso sulla regressione

Quale di questi è un problema di regressione?

Funzioni obiettivo (loss) e base learner

Alberi decisionali come base learners

Apprenditori lineari di base

Valutare la qualità del modello

Regolarizzazione e base learner in XGBoost

Usare la regolarizzazione in XGBoost

Visualizzare singoli alberi XGBoost

Visualizzare l'importanza delle feature: quali sono le più rilevanti nel mio insieme di dati

Inizia il capitolo

3

Ottimizzare il tuo modello XGBoost

Questo capitolo ti insegnerà come rendere i tuoi modelli XGBoost il più performanti possibile. Conoscerai la varietà di parametri che possono essere regolati per modificare il comportamento di XGBoost e come ottimizzarli in modo efficiente per dare una marcia in più alle prestazioni dei tuoi modelli.

Perché ottimizzare il tuo modello?

Quando è una cattiva idea mettere a punto il tuo modello?

Ottimizzare il numero di boosting rounds

Selezione automatica dei boosting round con early_stopping

Panoramica degli iperparametri di XGBoost

Ottimizzare eta

Ottimizzare max_depth

Ottimizzare colsample_bytree

Ripasso di grid search e random search

Grid search con XGBoost

Ricerca casuale con XGBoost

Limiti della grid search e della random search

Quando dovresti usare grid search e random search?

Inizia il capitolo

4

Usare XGBoost nelle pipeline

Porta le tue competenze su XGBoost al livello successivo integrando i modelli in due pipeline di Machine Learning end-to-end. Imparerai a ottimizzare in modo efficiente gli iperparametri più importanti di XGBoost all’interno di una pipeline e avrai un’introduzione ad alcune tecniche di preprocessing più avanzate.

Ripasso delle pipeline con sklearn

Analisi esplorativa dei dati

Codifica delle colonne categoriche I: LabelEncoder

Codifica di colonne categoriche II: OneHotEncoder

Codifica di colonne categoriche III: DictVectorizer

Preprocessing all'interno di una pipeline

Integrare XGBoost nelle pipeline

Convalida incrociata del tuo modello XGBoost

Caso di studio sulla malattia renale I: Imputer categorico

Caso di studio sulle malattie renali II: Feature Union

Studio di caso sulla malattia renale III: pipeline completa

Ottimizzazione degli iperparametri di XGBoost

Mettiamo tutto insieme

Considerazioni finali

Inizia il capitolo

Extreme Gradient Boosting con XGBoost

Corso
completato

Ottieni Attestato di conseguimento

Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CV
Condividila sui social e nella valutazione delle tue performanceIscriviti ora

Unisciti a oltre 19 milioni di studenti e inizia Extreme Gradient Boosting con XGBoost oggi!

Aumenta le tue competenze sui dati con l'app di DataCamp

Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.