第 03 课：开发您的第一个 XGBoost 模型
假设您有一个可用的SciPy环境，可以使用pip轻松安装 XGBoost。 例如：
sudo pip install xgboos您可以在XGBoost安装说明（https://xgboost.readthedocs.io/en/latest/build.html）中了解有关在您的平台上安装和构建XGBoost的更多信息。
XGBoost模型可以使用包装类直接在scikit-learn框架中使用，XGBClassifier用于分类，XGBRegressor用于回归问题。 这是在Python中使用XGBoost的推荐方法。 从 UCI 机器学习库下载 Pima Indians 糖尿病数据集。它是二进制分类的一个很好的测试数据集，因为所有输入变量都是数字的，这意味着问题可以直接建模而无需数据准备。 我们可以通过构造它并调用**model.fit（）**函数来训练XGBoost 模型进行分类：
model = XGBClassifier()
model.fit(X_train, y_train)然后可以通过在新数据上调用**model.predict（）**函数来使用该模型进行预测。
y_pred = model.predict(X_test)我们可以将这些结合起来如下：
# First XGBoost model for Pima Indians dataset
from numpy import loadtxt
from xgboost import XGBClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
# load data
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")
# split data into X and y
X = dataset[:,0:8]
Y = dataset[:,8]
# split data into train and test sets
seed = 7
test_size = 0.33
X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=test_size, random_state=seed)
# fit model on training data
model = XGBClassifier()
model.fit(X_train, y_train)
# make predictions for test data
y_pred = model.predict(X_test)
predictions = [round(value) for value in y_pred]
# evaluate predictions
accuracy = accuracy_score(y_test, predictions)
print("Accuracy: %.2f%%" % (accuracy * 100.0))在下一课中，我们将研究如何使用早期停止来限制过度拟合。
在看和转发
都是一种支持
本文参与 腾讯云自媒体同步曝光计划，分享自微信公众号。
原始发表：2019-06-13，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读
目录