Przejdź do głównej treści

Strona główna Python

Kurs

Extreme Gradient Boosting with XGBoost

ŚredniozaawansowanyPoziom umiejętności

Zaktualizowano 03.2026

Poznaj podstawy gradient boosting i twórz nowoczesne modele machine learning z XGBoost do rozwiązywania problemów klasyfikacji i regresji.

Zacznij kurs za darmo

PythonMachine Learning

4 godz.

16 filmów

49 Ćwiczeń

3,750 XP

60,720

Zaświadczenie o ukończeniu

Uwielbiany przez kursantów z tysięcy firm

Szkolisz zespół?

Wypróbuj dla firm

Opis kursu

Znasz podstawy uczenia nadzorowanego i chcesz korzystać z najnowocześniejszych modeli na rzeczywistych zbiorach danych? Gradient boosting to obecnie jedna z najpopularniejszych technik efektywnego modelowania danych tabelarycznych – niezależnie od ich rozmiaru. XGBoost to bardzo szybka i skalowalna implementacja gradient boostingu. Modele oparte na XGBoost regularnie wygrywają internetowe konkursy z dziedziny data science i są stosowane na dużą skalę w różnych branżach. W tym kursie nauczysz się, jak używać tej potężnej biblioteki razem z pandas i scikit-learn do budowania i dostrajania modeli uczenia nadzorowanego. Będziesz pracować z rzeczywistymi zbiorami danych, rozwiązując problemy klasyfikacji i regresji.

Wymagania wstępne

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

Zacznij rozdział

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

Zacznij rozdział

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?

Zacznij rozdział

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

Zacznij rozdział

Extreme Gradient Boosting with XGBoost

Kurs
ukończony

Zdobądź zaświadczenie o ukończeniu

Dodaj to poświadczenie do swojego profilu LinkedIn, CV lub życiorysu
Udostępnij to w mediach społecznościowych i podczas oceny wyników pracyZapisz się teraz

Dołącz do ponad 19 milionów kursantów i zacznij Extreme Gradient Boosting with XGBoost już dziś!

Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych

Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.