Välkommen till kursen!

Extreme Gradient Boosting med XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

Innan vi kommer till XGBoost...

  • Du behöver förstå grunderna i
    • Övervakad klassificering
    • Beslutsträd
    • Boosting
Extreme Gradient Boosting med XGBoost

Övervakad inlärning

  • Bygger på märkt data
  • Kräver viss förståelse av tidigare beteende
Extreme Gradient Boosting med XGBoost

Exempel på övervakad inlärning

  • Innehåller en specifik bild ett ansikte?
  • Träningsdata: vektorer med pixelvärden
  • Etiketter: 1 eller 0
Extreme Gradient Boosting med XGBoost

Övervakad inlärning: klassificering

  • Utfallet kan vara binärt eller multiklass
Extreme Gradient Boosting med XGBoost

Exempel på binär klassificering

  • Kommer en person att köpa försäkringspaketet utifrån ett givet erbjudande?

Extreme Gradient Boosting med XGBoost

Exempel på multiklassklassificering

  • Klassificering av en fågelarts art
Extreme Gradient Boosting med XGBoost

AUC: mått för binära klassificeringsmodeller

  • Arean under ROC-kurvan (AUC)
  • Större area under ROC-kurvan = bättre modell

AUC-exempel

Extreme Gradient Boosting med XGBoost

Noggrannhetspoäng och konfusionsmatris

  • Konfusionsmatris exempel på konfusionsmatris

  • Noggrannhet $$\frac{tp+tn}{tp+tn+fp+fn}$$

Extreme Gradient Boosting med XGBoost

Repetition

Extreme Gradient Boosting med XGBoost

Andra aspekter av övervakad inlärning

  • Särdrag kan vara numeriska eller kategoriska
  • Numeriska särdrag bör skalas (Z-score)
  • Kategoriska särdrag bör kodas (one-hot)
Extreme Gradient Boosting med XGBoost

Rankning

  • Förutsäga en rangordning bland ett antal val

Extreme Gradient Boosting med XGBoost

Rekommendation

  • Rekommenderar ett objekt till en användare
  • Baserat på konsumtionshistorik och profil
  • Exempel: Netflix
Extreme Gradient Boosting med XGBoost

Nu kör vi en övning!

Extreme Gradient Boosting med XGBoost

Preparing Video For Download...