Chuyển đến nội dung chính

Trang chủ Python

Khóa học

Gradient Boosting Cực Mạnh với XGBoost

Trung cấpTrình độ kỹ năng

Đã cập nhật tháng 03, 2026

Bắt Đầu Khóa Học Miễn Phí

PythonMachine Learning

4 gio

16 video

49 Bài tập

3,750 XP

60,758

Giấy chứng nhận Thành tích

Được người học tại hàng ngàn công ty yêu thích

Đào tạo một đội ngũ?

Dùng thử cho Doanh nghiệp

Mô tả khóa học

Bạn đã nắm cơ bản về học có giám sát và muốn dùng các mô hình tối tân trên dữ liệu thực tế? Gradient boosting hiện là một trong những kỹ thuật phổ biến nhất để mô hình hóa hiệu quả dữ liệu dạng bảng ở mọi quy mô. XGBoost là một triển khai gradient boosting cực nhanh và có khả năng mở rộng, với các mô hình dùng XGBoost thường xuyên thắng các cuộc thi khoa học dữ liệu trực tuyến và được sử dụng ở quy mô lớn trong nhiều ngành. Trong khóa học này, bạn sẽ học cách dùng thư viện mạnh mẽ này cùng với pandas và scikit-learn để xây dựng và tinh chỉnh các mô hình học có giám sát. Bạn sẽ làm việc với các tập dữ liệu thực để giải quyết bài toán phân loại và hồi quy.

Điều kiện tiên quyết

Supervised Learning with scikit-learn

1

Phân loại với XGBoost

Chương này sẽ giới thiệu cho bạn ý tưởng cốt lõi đằng sau XGBoost — các boosted learner. Sau khi hiểu XGBoost vận hành thế nào, bạn sẽ áp dụng nó để giải một bài toán phân loại phổ biến trong công nghiệp: dự đoán liệu một khách hàng có ngừng sử dụng dịch vụ tại một thời điểm nào đó trong tương lai hay không.

Chào mừng bạn đến với khóa học!

Đâu là một bài toán phân loại?

Trong số này, đâu là bài toán phân loại nhị phân?

Giới thiệu về XGBoost

XGBoost: Fit/Predict

Decision tree là gì?

Cây quyết định

Boosting là gì?

Đo lường độ chính xác

Đo lường AUC

Khi nào nên dùng XGBoost?

Sử dụng XGBoost

Bắt Đầu Chương

2

Hồi quy với XGBoost

Sau phần ôn tập ngắn về hồi quy có giám sát, bạn sẽ áp dụng XGBoost cho bài toán hồi quy dự đoán giá nhà ở Ames, Iowa. Bạn sẽ tìm hiểu về hai loại base learner mà XGBoost có thể dùng làm weak learner, và ôn lại cách đánh giá chất lượng các mô hình hồi quy của bạn.

Ôn tập về hồi quy

Bài toán nào sau đây là hồi quy?

Hàm mục tiêu (hàm mất mát) và bộ học cơ sở

Cây quyết định làm bộ học cơ sở

Bộ học cơ sở tuyến tính

Đánh giá chất lượng mô hình

Regularization và bộ học cơ sở trong XGBoost

Dùng regularization trong XGBoost

Trực quan hóa từng cây trong XGBoost

Trực quan hóa mức độ quan trọng của đặc trưng: Những đặc trưng nào quan trọng nhất trong dữ liệu của tôi

Bắt Đầu Chương

3

Tinh chỉnh mô hình XGBoost của bạn

Chương này sẽ giúp bạn đưa mô hình XGBoost đạt hiệu năng cao nhất có thể. Bạn sẽ học về nhiều tham số có thể điều chỉnh để thay đổi cách XGBoost hoạt động và cách tinh chỉnh chúng hiệu quả để tăng tốc hiệu suất mô hình.

Vì sao cần tinh chỉnh mô hình?

Khi nào việc tinh chỉnh mô hình là một ý tưởng tệ?

Tinh chỉnh số vòng boosting

Tự động chọn số vòng boosting bằng early_stopping

Tổng quan về các siêu tham số của XGBoost

Tinh chỉnh eta

Tinh chỉnh max_depth

Tinh chỉnh colsample_bytree

Ôn tập về grid search và random search

Tìm kiếm theo lưới với XGBoost

Random search với XGBoost

Giới hạn của grid search và random search

Khi nào nên dùng grid search và random search?

Bắt Đầu Chương

4

Dùng XGBoost trong pipeline

Nâng kỹ năng XGBoost của bạn lên tầm cao mới bằng cách đưa mô hình vào hai pipeline Machine Learning đầu-cuối. Bạn sẽ học cách tinh chỉnh hiệu quả các siêu tham số quan trọng nhất của XGBoost trong một pipeline, và được giới thiệu một số kỹ thuật tiền xử lý nâng cao hơn.

Ôn tập về pipelines với sklearn

Phân tích khám phá dữ liệu

Mã hóa cột phân loại I: LabelEncoder

Mã hóa cột phân loại II: OneHotEncoder

Mã hóa cột phân loại III: DictVectorizer

Tiền xử lý trong một pipeline

Tích hợp XGBoost vào pipeline

Cross-validate mô hình XGBoost của bạn

Nghiên cứu tình huống bệnh thận I: Bộ gán giá trị cho biến phân loại

Nghiên cứu tình huống bệnh thận II: Feature Union

Nghiên cứu tình huống bệnh thận III: Pipeline đầy đủ

Tinh chỉnh siêu tham số của XGBoost

Tổng hợp mọi thứ

Lời kết

Bắt Đầu Chương

Gradient Boosting Cực Mạnh với XGBoost

Hoàn
Thành

Nhận Giấy Chứng Nhận Hoàn Thành

Thêm chứng chỉ này vào hồ sơ LinkedIn, CV hoặc sơ yếu lý lịch của ban
Chia sẻ trên mạng xã hội và trong đánh giá hiệu suất của banĐăng ký ngay

Tham gia cùng hơn 19 triệu học viên và bắt đầu Gradient Boosting Cực Mạnh với XGBoost ngay hôm nay!

Phát triển kỹ năng dữ liệu với DataCamp cho thiết bị di động

Tiến bộ mọi lúc mọi nơi với các khóa học cho thiết bị di động và thử thách lập trình 5 phút hằng ngày.