Примеры реализации классификации с помощью алгоритма XGBoost на Python или R?

Question

[Полина Подкуйко]

Добрыый день. Подскажите, пожалуйста,примеры реализации классификации с помощью алгоритма XGBoost на Python или R?
Необходимо на выходе получить вероятность или ошибку классификации для каждой строки

Answer 1

[dmshar]

Я понимаю, самому искать примеры в сети -это ниже вашего достоинства. Пусть за вас это делают другие:

https://machinelearningmastery.com/develop-first-x...
https://github.com/dmlc/xgboost/tree/master/demo
https://hackernoon.com/want-a-complete-guide-for-x...
https://www.aitimejournal.com/@jonathan.hirko/intr...
https://www.datatechnotes.com/2019/07/classificati...
https://nilimeshhalder.medium.com/image-classifica...

Но если вы самостоятельно не умеете находить такую начальную и лежащую на поверхности информацию, заниматься DataScience для вас, пожалуй, рановато.

P.S. Посмотрел ваши вопросы. Месяц назад - "Как преобразовать txt в csv?" а сегодня уже классификация с XGBoost. Эк вас заносит.

Comments

[Полина Подкуйко]

Спасибо, что Вам не трудно помочь! Я достаточно мало времени занимаюсь DataScience. Мне трудно дается это занятие, но так получилось что мне нужно писать дипломную. Мне удалось получить precision, recall, f1-score, support для каждого класса, но я не могу понять как на выходе получить вероятность или ошибку классификации для каждой строки

[dmshar]

1. Благодарность на этом сайте выражается несколько иначе.
2. В документации - вы ее читали, надеюсь - есть такой параметр "objective". Одно из возможных его значений - "binary:logitraw" - что означает "logistic regression for binary classification, output score before logistic transformation".
Есть еще вариант "multi:softmax", который используется для мультиклассовой классификации.
3."вероятность"(принадлежности классу) и "ошибка классификации" алгоритма - это вообще-то говоря совершенно разные понятия. Мало связанные между собой.

Answer 2

[zexer]

Миллиард примеров в Гугле вам показалось недостаточно? Хотя бы просто xgboost classification - готово, вы потрясающи!