Lección 7 del curso XGBoost.
En la lección anterior vimos un ejemplo práctico de implementación de un modelo de clasificación XGBoost en Python.
En esta lección veremos cómo usar Python y la librería XGBoost para crear, entrenar, validar y generar predicciones con un modelo de regresión XGBoost.
Y como veremos, la manera de realizar esta implementación será muy similar a la usada en la lección anterior para el caso del clasificador, con algunas ligeras diferencias:
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 manera de crear, entrenar, validar y poner a prueba un modelo de regresión usando la librería XGBoost de Python es muy parecida a la que vimos en la lección anterior en el caso de la clasificación.
En este caso la diferencia clave radica en la función de error (o pérdida) usada, que para el caso de la regresión puede ser por ejemplo la raíz cuadrada del error cuadrático medio (o RMSE por sus siglas en Inglés).
Y, al igual que ocurrió con el clasificador, lo importante es siempre realizar el entrenamiento y la validación incorporando la parada temprana durante el entrenamiento que provee la librería XGBoost.
Así que con lo visto en estas dos últimas lecciones ya tenemos los elementos prácticos necesarios para implementar modelos XGBoost de clasificación y regresión en Python. Entonces, en la próxima lección veremos cómo realizar el ajuste de hiper-parámetros de un modelo XGBoost, tanto para una tarea de clasificación como para una tarea de regresión.
Todas las lecciones del curso XGBoost