欢迎来到本课程！

使用 XGBoost 的极端梯度提升

Sergey Fogelson

Head of Data Science, TelevisaUnivision

在开始 XGBoost 之前…

  • 需要了解{{1}}基础
    • 监督分类
    • 决策树
    • 提升法（Boosting）
使用 XGBoost 的极端梯度提升

监督学习

  • 依赖带标签的数据
  • 需了解过去行为
使用 XGBoost 的极端梯度提升

监督学习示例

  • 给定图像中是否有人脸？
  • 训练数据：像素值向量
  • 标签：1 或 0
使用 XGBoost 的极端梯度提升

监督学习：分类

  • 输出可为二分类或多分类
使用 XGBoost 的极端梯度提升

二分类示例

  • 给定报价，某人是否会购买该保险？

使用 XGBoost 的极端梯度提升

多类别分类示例

  • 判别给定鸟类的物种
使用 XGBoost 的极端梯度提升

AUC：二分类模型的度量

  • ROC 曲线下面积（AUC）
  • AUC 越大，模型越好

AUC 示例

使用 XGBoost 的极端梯度提升

准确率与混淆矩阵

  • 混淆矩阵 混淆矩阵示例

  • 准确率 $$\frac{tp+tn}{tp+tn+fp+fn}$$

使用 XGBoost 的极端梯度提升

回顾

使用 XGBoost 的极端梯度提升

其他监督学习注意事项

  • 特征可为数值型或类别型
  • 数值特征应标准化（Z 分数）
  • 类别特征应编码（独热）
使用 XGBoost 的极端梯度提升

排序

  • 预测一组选项的排序

使用 XGBoost 的极端梯度提升

推荐

  • 向用户推荐物品
  • 基于消费历史与画像
  • 例如：Netflix
使用 XGBoost 的极端梯度提升

让我们来练习！

使用 XGBoost 的极端梯度提升

Preparing Video For Download...