在Python中开始使用 XGBoost的7步迷你课程
熟悉我的读者知道我不止一次的给大家推荐过ApacheCN这个开源组织，ApacheCN 是 2016 年 8 月份就开始搭建网站雏形， 2017 年 6 月份正式全职来做，是国内第一个有组织性、敢带人装X、敢真的分享、并且敢戴绿帽的中文开源组织，传送门：https://github.com/apachecn
介绍来源AI科技大本营
我最近会转载一些值得学习的文章分享给大家，今天的这个系列--在Python中开始使用XGBoost的7步迷你课程是飞龙小哥哥负责翻译，这周会把7步迷你课程全部更新完成，话不多说我们开始。
XGBoost 使用 Python 迷你课程。
原文：
https://machinelearningmastery.com/xgboost-python-mini-course/
XGBoost是梯度提升的一种实现，用于赢得机器学习竞赛。它很强大，但很难开始。在这篇文章中，您将发现使用Python的XGBoost7部分速成课程。这个迷你课程专为已经熟悉scikit-learn和SciPy生态系统的 Python 机器学习从业者而设计。
注：2017年1月更新：已更新，以反映scikit-learnAPI版本 0.18.1 中的更改。 更新March/2018：添加了备用链接以下载数据集，因为原始图像已被删除。
XGBoost 与 Python 迷你课程照片由Teresa Boardman，保留一些权利。（提示：你可能想打印或书签这个页面，以便以后再参考）
这个迷你课程是谁？
在我们开始之前，让我们确保您在正确的位置。以下列表提供了有关本课程设计对象的一般指导原则。 如果你没有完全匹配这些点，请不要惊慌，你可能只需要在一个或另一个区域刷新以跟上。
- 开发人员知道如何编写一些代码。这意味着使用 Python 完成任务并了解如何在工作站上设置 SciPy 生态系统（先决条件）对您来说并不是什么大问题。它并不意味着你是一个向导编码器，但它确实意味着你不怕安装软件包和编写脚本。
- 知道一点机器学习的开发人员。这意味着您了解机器学习的基础知识，如交叉验证，一些算法和偏差 - 方差权衡。这并不意味着你是一个机器学习博士，只是你知道地标或知道在哪里查找它们。
这个迷你课程不是 XGBoost 的教科书。没有方程式。
它将带您从一个熟悉 Python 的小机器学习的开发人员到能够获得结果并将 XGBoost 的强大功能带到您自己的项目中的开发人员。
迷你课程概述（期待什么）
这个迷你课程分为 7 个部分。 每节课的目的是让普通开发人员大约30分钟。你可能会更快完成一些，而其他人可能会选择更深入，花更多时间。您可以根据需要快速或慢速完成每个部分。舒适的时间表可能是在一周的时间内每天完成一节课。强烈推荐。
您将在接下来的 7 节课中讨论的主题如下：
- 第 01 课：Gradient Boosting 简介。
- 第 02 课：XGBoost 简介。
- 第 03 课：开发你的第一个 XGBoost 模型。
- 第 04 课：监控表现和提前停止。
- 第 05 课：功能与 XGBoost 的重要性。
- 第 06 课：如何配置梯度提升。
- 第 07 课：XGBoost Hyperparameter Tuning。
这将是一件很有趣的事情。你将不得不做一些工作，一点点阅读，一点研究和一点点编程。您想了解 XGBoost 吗？
如有任何问题，请在下面的评论中发布。 在评论中分享您的结果。 挂在那里，不要放弃！