Lección 1 del curso XGBoost.
En esta primera lección del curso veremos una introducción a los modelos basados en la potenciación del gradiente (o «Gradient Boosting») que son la base de los modelos XGBoost.
Así que comenzaremos repasando el principio de funcionamiento de los métodos de aprendizaje por ensamble, vistos en el curso de Bosques Aleatorios, para luego entender de forma intuitiva el principio de funcionamiento de los métodos «Gradient Boosting» y en últimas dar una breve introducción a XGBoost:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
En esencia los métodos de «Gradient Boosting» son tanto un algoritmo como un modelo de Machine Learning basados en el aprendizaje por ensamble, en donde de manera secuencial se entrenan múltiples modelos débiles (generalmente árboles de decisión) que al ser ensamblados permiten obtener un modelo con un muy buen desempeño.
Y XGBoost se deriva de este principio del «Gradient Boosting» y es a la vez un algoritmo de entrenamiento, un tipo de modelo y una librería de Python.
Así que con esta breve introducción ya estamos listos para comenzar a ver en detalle estos métodos de potenciación del gradiente. Así que en la próxima lección veremos todos los conceptos asociados a la regresión basada en el «Gradient Boosting».
Todas las lecciones del curso XGBoost