Conteúdo do Curso

Ensemble Learning

1. Princípios Básicos da Construção de Modelos de Ensemble

O que é Ensemble de Modelos?Modelos de Bagging Modelos Impulsionadores Empilhamento de Modelos

2. Modelos de Bagging Comumente Utilizados

Classificador Bagging Desafio: Resolver Tarefa Usando Classificador de Bagging Regressão por Agregação Desafio: Resolvendo Tarefa com Regressor de Agregação Floresta Aleatória Desafio: Determinar a Importância das Características Usando Floresta Aleatória Árvores Extremamente Aleatórias

3. Modelos de Boosting Mais Usados

Classificador AdaBoost Desafio: Solução de Tarefas Usando Classificador AdaBoost Desafio: Resolver Tarefa Usando AdaBoost Regressor Boosting de Gradiente XGBoost Desafio: Resolução de Tarefa Usando XGBoost

4. Modelos de Empilhamento Comumente Utilizados

Classificador Stacking Desafio: Resolução de Tarefas Usando Classificador de Empilhamento Desafio: Resolvendo Tarefa Usando Regressor de Empilhamento Usando Conjuntos como Modelos Base Resumo do Curso

Ensemble Learning

Desafio: Resolução de Tarefa Usando XGBoost

Tarefa

O conjunto de dados "Credit Scoring" é comumente usado para análise de risco de crédito e tarefas de classificação binária. Contém informações sobre clientes e suas aplicações de crédito, com o objetivo de prever se a aplicação de crédito de um cliente resultará em um bom ou mau resultado de crédito.

Sua tarefa é resolver a tarefa de classificação no conjunto de dados "Credit Scoring":

Crie objetos Dmatrix usando os dados de treinamento e teste. Especifique o argumento enable_categorical para usar recursos categóricos.
Treine o modelo XGBoost usando o objeto DMatrix de treinamento.
Defina o limiar de divisão para 0,5 para a detecção correta da classe.

Nota
O parâmetro 'objective': 'binary:logistic' significa que usaremos a perda logística (também conhecida como perda de entropia cruzada binária) como função objetiva ao treinar o modelo XGBoost.

Tudo estava claro?

Seção 3. Capítulo 6

Conteúdo do Curso

Ensemble Learning

1. Princípios Básicos da Construção de Modelos de Ensemble

O que é Ensemble de Modelos?Modelos de Bagging Modelos Impulsionadores Empilhamento de Modelos

2. Modelos de Bagging Comumente Utilizados

3. Modelos de Boosting Mais Usados

4. Modelos de Empilhamento Comumente Utilizados

Ensemble Learning

Desafio: Resolução de Tarefa Usando XGBoost

Tarefa

Sua tarefa é resolver a tarefa de classificação no conjunto de dados "Credit Scoring":

Crie objetos Dmatrix usando os dados de treinamento e teste. Especifique o argumento enable_categorical para usar recursos categóricos.
Treine o modelo XGBoost usando o objeto DMatrix de treinamento.
Defina o limiar de divisão para 0,5 para a detecção correta da classe.

Nota
O parâmetro 'objective': 'binary:logistic' significa que usaremos a perda logística (também conhecida como perda de entropia cruzada binária) como função objetiva ao treinar o modelo XGBoost.

Tudo estava claro?

Seção 3. Capítulo 6