Ga naar hoofdinhoud

Cursus

Extreme Gradient Boosting met XGBoost

GemiddeldVaardigheidsniveau

Bijgewerkt 03-2026

Leer de basis van gradient boosting en bouw toffe machine learning-modellen met XGBoost om classificatie- en regressieproblemen op te lossen.

Start Cursus Kosteloos

PythonMachine Learning

4 u

16 videos

49 Opdrachten

3,750 XP

60,758

Bewijs van Prestatie

Geliefd bij leerlingen van duizenden bedrijven

Een team trainen?

Probeer voor bedrijven

Cursusbeschrijving

Ken je de basis van supervised learning en wil je state-of-the-art modellen toepassen op echte datasets? Gradient boosting is momenteel een van de populairste technieken voor efficiënt modelleren van tabelvormige datasets van elke omvang. XGBoost is een zeer snelle, schaalbare implementatie van gradient boosting. Modellen met XGBoost winnen regelmatig online data science-wedstrijden en worden op grote schaal gebruikt in uiteenlopende sectoren. In deze cursus leer je hoe je deze krachtige bibliotheek samen met pandas en scikit-learn gebruikt om supervised learning-modellen te bouwen en te finetunen. Je werkt met echte datasets om classificatie- en regressieproblemen op te lossen.

Vereisten

Supervised Learning with scikit-learn

1

Classificatie met XGBoost

In dit hoofdstuk maak je kennis met het kernidee achter XGBoost: boosted learners. Zodra je begrijpt hoe XGBoost werkt, pas je het toe op een veelvoorkomend classificatieprobleem in het bedrijfsleven: voorspellen of een klant op enig moment in de toekomst zal afhaken.

Welkom bij de cursus!

Welke van deze is een classificatieprobleem?

Welke van deze is een binair classificatieprobleem?

Kennismaken met XGBoost

XGBoost: fit/predict

Wat is een beslisboom?

Decision trees

Wat is boosting?

Nauwkeurigheid meten

Wanneer gebruik je XGBoost?

XGBoost gebruiken

Hoofdstuk beginnen

2

Regressie met XGBoost

Na een korte herhaling van supervised regressie pas je XGBoost toe op de regressietaak om huizenprijzen in Ames, Iowa te voorspellen. Je leert over de twee soorten basislearners die XGBoost kan gebruiken als zwakke learners, en je herhaalt hoe je de kwaliteit van je regressiemodellen evalueert.

Herhaling van regressie

Welke van deze is een regressieprobleem?

Objective- (loss)functies en basis learners

Beslisbomen als basisleerders

Lineaire basismodellen

Modelkwaliteit evalueren

Regularisatie en basislearners in XGBoost

Regularisatie gebruiken in XGBoost

Individuele XGBoost-bomen visualiseren

Feature-importances visualiseren: welke features zijn het belangrijkst in mijn gegevensset

Hoofdstuk beginnen

3

Je XGBoost-model finetunen

Dit hoofdstuk laat je zien hoe je je XGBoost-modellen zo goed mogelijk laat presteren. Je leert over de verschillende parameters die je kunt aanpassen om het gedrag van XGBoost te sturen en hoe je die efficiënt afstemt zodat je de prestaties van je modellen een flinke boost geeft.

Waarom je model afstemmen?

Wanneer is je model tunen een slecht idee?

Het aantal boosting-rondes afstemmen

Automatische selectie van boosting-rondes met early_stopping

Overzicht van de hyperparameters van XGBoost

Tunen van max_depth

colsample_bytree tunen

Herhaling van grid search en random search

Grid search met XGBoost

Random search met XGBoost

Grenzen van grid search en random search

Wanneer gebruik je grid search en random search?

Hoofdstuk beginnen

4

XGBoost gebruiken in pipelines

Breng je XGBoost-vaardigheden naar een hoger niveau door je modellen op te nemen in twee end-to-end Machine Learning-pipelines. Je leert hoe je de belangrijkste XGBoost-hyperparameters efficiënt afstemt binnen een pipeline, en je krijgt een introductie tot enkele meer geavanceerde preprocessing-technieken.

Herhaling van pipelines met sklearn

Verkennende data-analyse

Categorische kolommen encoden I: LabelEncoder

Categorische kolommen encoden II: OneHotEncoder

Categorische kolommen encoden III: DictVectorizer

Voorbewerking binnen een pipeline

XGBoost opnemen in pipelines

Je XGBoost-model cross-validaten

Casestudy nierziekte I: Categorical Imputer

Case study nierziekte II: Feature Union

Casestudy nierziekte III: volledige pipeline

XGBoost-hyperparameters afstemmen

Alles samenbrengen

Hoofdstuk beginnen

Extreme Gradient Boosting met XGBoost

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf je nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Extreme Gradient Boosting met XGBoost!

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.