Lección 6 del curso XGBoost.
En la lección anterior vimos en detalle cómo funciona un modelo de clasificación en XGBoost. Así que en este punto ya tenemos claros todos los conceptos relacionados con este tipo de modelos y ya estamos listos para poner en práctica todo lo aprendido hasta el momento.
Así que en este segundo módulo del curso veremos cómo usar Python y la librería XGBoost para resolver diferentes problemas de clasificación y de regresión en el Machine Learning.
Y en esta lección veremos de forma práctica cómo hacer uso de la librería XGBoost para crear, entrenar, validar y poner a prueba un modelo de clasificación.
Entonces comencemos viendo cómo instalar la librería XGBoost de Python:
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.
Como acabamos de ver, la forma más sencilla de instalar la librería XGBoost es usando la distribución Anaconda de Python, de la cual hablamos en detalle en la Lección 3 del curso Python Nivel Básico (instalación de Python en Mac y en Windows).
Con la librería ya instalada en nuestros computadores, veamos a continuación el problema que resolveremos en este ejercicio práctico así como los detalles del set de datos a usar:
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.
La idea es entonces en ejercicio crear un clasificador basado en XGBoost capaz de predecir si se otorgará o no un préstamo a una persona dependiendo de diferentes característica (como su edad, su nivel de ingresos o si ha entrado o no en impagos, entre otras).
Veamos entonces cómo crear, entrenar, validar y poner a prueba un clasificador tipo 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.
Acabamos de ver que resulta muy sencillo crear y entrenar un modelo XGBoost. En esencia debemos primero crear un diccionario de Python con los hiper-parámetros de entrenamiento, posteriormente creamos una instancia del modelo con dichos hiper-parámetros y luego usamos el método «fit()» para realizar el entrenamiento.
Además podemos usar el método «cv» de la librería XGBoost para realizar la validación cruzada del modelo y podemos incorporar en esta fase la parada temprana para evitar construir un modelo demasiado complejo y de esta manera reducir el nivel de «overfitting».
Así que con este ejemplo práctico ya tenemos todos los elementos esenciales de uso de esta librería XGBoost al momento de construir un modelo de clasificación. En la próxima lección veremos un ejemplo similar pero enfocado en una tarea de regresión a partir de modelos XGBoost en Python.
Todas las lecciones del curso XGBoost